一种基于Bi-LSTM和ST-GCN的异常检测方法及系统

本发明提供了一种基于Bi‑LSTM和ST‑GCN的异常检测方法及系统，针对系杆拱桥，基于“点‑线‑面”三级检测机制，通过分阶段融合双向长短时间记忆神经网络（Bi‑LSTM）与时空图卷积神经网络（ST‑GCN），构建了桥梁健康监测的时空联合建模框架；通过Bi‑LSTM提取索力计的时序特征，识别单传感器硬件故障，从多传感器时序数据中分离共享特征与传感器私有特征，通过解耦对比损失增强传感器身份区分度，抑制温度等干扰因素；将传感器私有特征作为ST‑GCN神经网络中的节点特征，通过ST‑GCN采用时间注意力机制识别不同传感器之间的空间位置，捕捉传感器间的空间拓扑关联与长期时序依赖，分析静态邻接关系下的连接概率异常；最后对识别的空间位置进行分析并自适应预警，通过连通域算法定位多节点协同异常区域，从而精准定位局部损伤和全局异常；实现了监测桥梁结构是否存在损伤的功能。本发明相比于传统机器学习数据库，选取了更多的实验参数以及更大的实验数据集；避免了传统机器学习预测精度低的缺陷，具有非常高的准确性和可靠性。