技术特征：
1.一种基于全卷积神经网络的大坝安全监测数据异常值识别方法，其特征在于，包括如下步骤：s1.采集大量含不同类型异常值的大坝安全监测数据序列，并制作数据子序列集；s2.对s1中的数据子序列集中的异常值进行分类标记，并进行归一化处理，得到带有分类标记的大坝安全监测异常数据样本集；s3.构建端到端的一维全卷积神经网络模型；s4.将s2中的大坝安全监测异常数据样本集输入到s3中的全卷积神经网络模型进行训练，得到大坝安全监测数据异常值识别模型；s5.将待识别的监测数据序列进行s1中的数据子序列集制作，并进行s2中的归一化处理；s6.将s5中归一化处理后的数据序列输入s4中的大坝安全监测数据异常值识别模型中，得到待识别的监测数据序列的异常值分类标记。2.根据权利要求1所述的一种基于全卷积神经网络的大坝安全监测数据异常值识别方法，其特征在于，制作所述数据子序列集的步骤包括：设置数据序列的格式为[(t1,v1),(t2,v2),
……
(tn,vn)]，其中ti和vi分别代表第i个测值采集的时间和数值，数据序列长度为n；从该数据序列中取出有m个测值的数据子序列，如[(t1,v1),(t2,v2),
……
(tm,vm)],[(t2,v2),(t3,v3),
……
(tm+1,vm+1)]
…
[(tn-m+1,vn-m+1),(tn-m+2,vn-m+2),
……
(tn,vn)]，得到该数据序列的n-m个数据子序列。3.根据权利要求1所述的一种基于全卷积神经网络的大坝安全监测数据异常值识别方法，其特征在于，所述分类标记方法包括对每个数据子序列中的异常值进行人工标记，形成标签数据。4.根据权利要求1所述的一种基于全卷积神经网络的大坝安全监测数据异常值识别方法，其特征在于，构建所述一维全卷积神经网络模型的步骤包括：输入数据序列，其向量尺寸为m
×
2，经第一次卷积、第二次卷积和第一次池化处理后，得到特征数据长度为原数据的1/2；经第三次卷积、第四次卷积和第二次池化处理后，得到特征数据长度为原数据的1/4；经第五次卷积和第三次池化处理后，得到特征数据长度为原数据1/8；经第六次卷积和第四次池化处理后，得到特征数据长度为原数据的1/16；将最终长度为原数据1/16的特征数据进行第一次反卷积处理，得到长度为原数据1/8的特征数据；将第一次反卷积处理后的特征数据与原第三次池化处理后的数据融合，进行第二次反卷积处理，得到长度为原数据1/4的特征数据；将第二次反卷积处理后的特征数据与原第二次池化处理后的数据融合，进行第三次反卷积处理，并以softmax算子处理得到各数据的分类预测，向量尺寸为m
×
1。
技术总结
本发明提供了一种基于全卷积神经网络的大坝安全监测数据异常值识别方法，涉及大坝安全监测技术领域，包括如下步骤：S1.采集含大量不同类型异常值的大坝安全监测数据序列，并制作数据子序列集；S2.对S1中的数据子序列集中的异常值进行分类标记，并归一化处理，得到大坝安全监测异常数据样本集；S3.构建一维全卷积神经网络模型；S4.将S2中的大坝安全监测异常数据样本集输入S3中的模型进行训练，得到大坝安全监测数据异常值识别模型；S5.将待识别数据进行S1中的数据子序列集制作，并进行S2中的归一化处理；S6.将S5中归一化处理后的数据输入S4中的异常值识别模型中，得到待识别数据的异常值分类标记，解决了大坝安全监测数据异常值人工识别费时费力的技术问题。常值人工识别费时费力的技术问题。常值人工识别费时费力的技术问题。
技术研发人员：齐智勇 孙辅庭 毛延翩 周建波 张春辉 李秋炎
受保护的技术使用者：中国电建集团华东勘测设计研究院有限公司 国家能源局大坝安全监察中心
技术研发日：2022.05.27
技术公布日：2022/9/30