本发明涉及建筑物结构健康监测领域，具体涉及一种用于从加速度计测得数据中准确识别异常点的方法。
背景技术：
1、结构健康监测可以确保建筑物、桥梁和设备的安全性、稳定性和可靠性。通过实时监测，可以及早发现潜在问题，提高结构的安全水平，延长使用寿命，降低维护成本，并在紧急情况下提供即时数据以支持迅速而精确的应急响应。这项技术有助于优化结构的运行效率，提高整体工程和设备的效能。
2、加速度计是一种广泛应用于结构工程领域的传感器，用于测量结构物体在空间中的加速度变化。通过监测结构体的加速度，可以获取有关结构物动态响应的信息，包括振动等数据。这些数据对于评估结构的健康状态、检测潜在问题以及进行预防性维护具有重要意义。然而，在实际测量中测得的加速度计数据可能会包含一些异常值，可能由传感器故障或者外部环境引起。这些异常值与真正的结构相混淆，从而影响对结构健康状况的准确判断。因此，保留正常振动信号的同时又能准确识别异常值对判断建筑物结构健康状况尤为重要。
3、在实际监测中，有效区分正常振动信号和异常信号仍存在困难。目前常采用阈值法来判断是否为异常值，阈值法对于复杂环境中的结构监测来说，容易受到外部因素的干扰而误判某些正常的响应信号为异常信号。
4、传统阈值法局限于单一的阈值，在确定最佳阈值时，通常需要进行大量的试验和分析，极易耗费时间和资源。此外，传统阈值法识别异常点使用单一的固定阈值，对于如车辆荷载通过及自然振动等导致的正常的振动信号可能误判为异常信号。而通过对阈值进行进一步分割，将数据分类，建立缓冲区进行局部检测，基于结构响应的一般特征从建筑物结构健康监测数据中准确识别出异常点，可以极大的提高监测的准确性。
技术实现思路
1、本发明提供了一种用于建筑物结构健康监测的异常点识别方法，能够在复杂数据分布和多变环境下提高异常点的准确识别能力。通过对阈值进行进一步分割，将数据分类，建立缓冲区进行局部检测，目的是探索一种从建筑物结构健康监测数据中准确识别出异常点的方法。
2、本发明提供基于建筑物结构健康监测中加速度计的异常数据探测方法，包括以下步骤：
3、步骤1、数据预处理，包括对给定加速度数据进行统计分析，计算平均值和标准差，并进行中心化处理；
4、步骤2、基于阈值的潜在异常点探测，采用3倍标准差作为潜在异常点的阈值；
5、步骤3、基于潜在异常点，划分孤立点与非孤立点；
6、步骤4、计算异常判决因子，基于异常判决因子进行异常值探测。
7、优选的，所述步骤1中，给定加速度数据计算平均值和标准差后的中心化处理，其原理如下所示：
8、
9、其中，x是原始数据，代表x的均值，y为中心化之后的数据。
10、优选的，所述步骤2中，采用3倍标准差作为潜在异常点的阈值。将中心化后大于3倍标准差的数据筛选出来，作为潜在异常数据，用于后续的局部分析。
11、优选的，所述步骤3中，通过利用潜在异常点邻域窗口来对潜在异常点进行划分，若邻域范围内没有其他潜在异常值，则该点被划分为孤立点，反之，为非孤立点。
12、优选的，所述步骤4中，对孤立点和非孤立点进行异常判别因子的计算，异常判别因子的计算包括孤立点的异常判别因子和非孤立点的异常判别因子，用于量化异常点相对于邻域数据的显著性，作为异常点判别的指标。
13、优选的，所述步骤4中，需要分别计算对孤立点和非孤立点的异常判别因子。其中，孤立点的异常判别因子是通过邻域范围内的最大值与次最大值的相对比率确定，可用于判断孤立点是否是由局部截断引起。
14、孤立点异常判别因子计算规则如下：
15、
16、其中diso为孤立点的异常判别因子，yiso为孤立点的中心化值，ysec为阈值探测所采用的邻域范围内中心化数据的次幅值最大值。
17、非孤立点的异常判别因子计算包括：对于正数的情况，定义为非孤立点的幅值与邻域内最小值的比值，对于负数的情况，定义为非孤立点的幅值与缓冲区内最大值的比值。
18、非孤立点异常判决因子计算规则如下：
19、1)非孤立点邻域的潜在异常点分布在均值两侧，则认为其是结构响应(振动)引起，此时异常判别因子为：
20、dniso＝0
21、其中dniso为非孤立点的异常判别因子。
22、2)非孤立点为正数，则用其异常判别因子定义为非孤立点的幅值与缓冲区内最小值的比值
23、
24、其中yniso为孤立点的中心化值，ymin为阈值探测所采用的缓冲区范围内中心化数据的最小值。
25、3)非孤立点为负数，则用其异常判别因子定义为非孤立点的幅值与缓冲区内最大值的比值
26、
27、其中yniso为孤立点的中心化值，ymax为阈值探测所采用的缓冲区范围内中心化数据的最大值。
28、优选的，所述步骤4中，对于计算得到的异常判别因子大于等于3的作为潜在异常点，采用剔除或者插值替代。
29、在发明中，首先，对原始加速度进行数据预处理，计算了原始加速度数据的平均值和标准差，用于中心化加速度数据。其次，使用3倍标准差作为潜在异常点的阈值，筛选出中心化后加速度大于3倍标准差的点作为潜在异常数据。然后，遍历阈值法筛选出的潜在异常数据，通过利用潜在异常点邻域窗口，对潜在异常点进行孤立点与非孤立点划分，并计算孤立点与非孤立点的异常判决因子。最后，进行异常点探测。本发明能有效从潜在异常值中准确探测出异常点。
1.一种用于建筑物结构健康监测的异常点识别方法，其特征在于包括以下步骤：
2.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤1中，给定加速度数据计算平均值和标准差后的中心化处理，其原理如下所示：
3.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤2中，采用3倍标准差作为粗差阈值，将中心化后数据大于3倍标准差的数据筛选出来，作为潜在的异常值，用于后续的局部分析。
4.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤3中，通过利用潜在异常点邻域窗口来对潜在异常点进行划分。若邻域范围内没有其他潜在异常值，则该点被划分为孤立点，反之，为非孤立点。
5.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤4中，异常判别因子的计算包括孤立点的异常判别因子和非孤立点的异常判别因子，用于量化异常点相对于邻域数据的显著性，作为异常点判别的指标。
6.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤4中，需要分别计算孤立点与非孤立点的异常判别因子。
7.根据权利要求1所述的用于建筑物结构健康监测的异常点识别方法，其特征在于，所述步骤4中，对于计算得到的异常判别因子大于等于3的，视为异常点，采用剔除或者插值替代，以提高结构健康监测数据的质量。
