Prediction and Analysis of Sensor Data from Bridge Structures

Bc. Eva Krajníková

Diplomová práce

Anotace:

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.

Abstract:

Structural health monitoring (SHM) produces continuous, high-frequency measurements that are difficult to inspect manually. This thesis proposes a forecasting-based anomaly detection framework based on deep learning. We train long short-term memory (LSTM) networks on data from normal operation to model expected sensor behavior while accounting for environmental effects such as temperature cycles. We compare direct multi-step and sequence-to-sequence (Seq2Seq) forecasting architectures on a dataset of bridge sensors. Anomalies are detected from prediction residuals using statistical thresholds. In experiments with synthetic anomaly injection, the proposed detector achieved zero false positives on healthy data and detected injected offsets and gradual drifts. The result is a reproducible pipeline for transforming raw sensor time series into forecasts and anomaly scores that can support condition monitoring.

Keywords

Structural Health Monitoring, Anomaly Detection, Time Series Forecasting, Deep Learning, Long Short-Term Memory, LSTM, Recurrent Neural Networks, Sensor Data

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 19. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 18. 6. 2026
• Vedoucí: RNDr. Michal Batko, Ph.D.
• Oponent: Mgr. Andrej Černek

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Softwarové inženýrství / Návrh a vývoj softwarových systémů