王丽蓉，郑东健

（1.河海大学 水利水电学院，南京 210098；2.河海大学 水资源高效利用与工程安全国家工程研究中心，南京 210098；3.河海大学 水文水资源与水利工程科学国家重点实验室，南京 210098）

1 研究背景

为保证大坝安全，防止工程灾害发生，有必要做好大坝安全监测及评价工作。监测系统故障造成的测量误差及结构安全状态的变化使监测数据表现出多种异常模式，准确识别异常值为判断异常原因及分析大坝运行状态奠定基础。传统异常值识别方法有数学统计法、数学模型法等。常用的数学统计法如格拉布斯判别法忽略了监测数据随时间变化的特性，只能判断监测数据中的最小、最大值是否异常［1］；回归模型法考虑了监测数据与温度、水位及大坝运行年限的关系［2］，但是计算分析过程比较复杂。

卷积神经网络（CNN）是一种由多个处理层叠加而成的深度神经网络，具有自主抓取数据特征的特点和优秀的分类能力，适合二维数据处理（如图像识别），也能够解决可以转化为二维数据且具有较强局部相关性的问题［3］。基于CNN的结构健康监测研究主要集中在损伤识别［4］和裂纹检测两方面［5］，另外CNN还广泛应用于各个领域的图像分类问题，如作物品种识别［6］、舰船目标识别［7］、断层识别［8］。

利用CNN进行数据异常识别，可以解决非最值异常点难以辨别的问题，并减轻数据处理压力。运行期大坝安全监测得到的监测数据往往是随时间周期性变化的序列，使得同一监测点在不同时间段形成的监测数据-时间过程线存在一定相似性，而异常数据则表现出显著差异。……