Monitorovanie zdravia stavby (SHM) produkuje nepretržité,
vysokofrekvenčné merania, ktoré je ťažké manuálne kontrolovať.
Táto diplomová práca navrhuje rámec detekcie anomálií založený
na predpovediach pomocou hlbokého učenia. Trénujeme neurónové
siete s dlhou krátkodobou pamäťou (LSTM) na dátach z normálnej
prevádzky s cieľom modelovať očakávané správanie senzorov,
pričom zohľadňujeme vplyvy prostredia, ako sú teplotné cykly.
Porovnávame architektúry priameho viacstupňového predikovania a
predikovania sekvencie na sekvenciu (Seq2Seq) na datasete
mostných senzorov. Anomálie sú detekované z predikčných zvyškov
pomocou štatistických prahov. V experimentoch so syntetickým
vkladaním anomálií dosiahol navrhovaný detektor nulové falošné
poplachy na zdravých dátach a úspešne detekoval vložené
odchylky a postupné posuny. Výsledkom je reprodukovateľný
proces na transformáciu časových radov senzorov na predpovede a
skóre anomálií, ktorý môže podporiť monitorovanie technického
stavu.