一种力学结构异常状态快速识别方法、存储介质技术

本发明专利技术公开了一种力学结构异常状态快速识别方法，方法包括，在力学结构上部署实时监测的传感器，构建有限元模型，在有限元模型中设置于力学结构中的传感器相对应的虚拟传感器，依据力学结构载荷条件随机获取载荷样本进行计算，依据计算判读力学结构是否结构异常，若否则采集虚拟传感器数据，若是，则舍弃载荷样本，将虚拟传感器应变数据以学习样本输入机器学习模型中，进行模型训练，将传感器数据输入机器学习模型中，进行结构无异常的置信度判断，将数值仿真方法与机器学习方法结合，解决了训练数据来源和快速识别预测的问题。

【技术实现步骤摘要】
一种力学结构异常状态快速识别方法、存储介质
本专利技术属于结构健康状态监测与评估
，特别涉及一种力学结构异常状态快速识别方法。
技术介绍
土木工程、机械工程、桥梁工程、水利工程等领域往往涉及桁架、坝体等力学结构。极端工作载荷、材料疲劳等因素均可能导致结构发生塑性变形、屈服、甚至断裂等异常状态，进而影响整个系统的工作，甚至造成重大损失。因此，如何能够对结构健康状态进行监测，并及时预知异常状态的发生，是本领域需要解决的重要问题。为了实现对结构的健康监测，常用的方法是在结构上部署大量传感器形成传感网络，通过对传感器数据分析发现异常状态发生，但这种方法只能是在异常状态已经发生的情况下才能获得异常态的数据。近年来机器学习方法的应用为数据驱动分析方法提供了新的研究方法，其基本思路是利用历史监测数据训练机器学习模型，再用实时监测数据预测结构状态，但具体应用中大量的有效历史数据往往难以获得，限制了该方法的应用。数值模拟方法可以在结构的设计阶段即仿真获得各种异常状态参数，但我们要解决的问题是结构在工作中何时发生异常，如果在工作中依据实际载荷和边界条件进行计算则需要耗费大量计算时间，导致不能及时预测结构状态。
技术实现思路
为解决上述问题，本专利技术提供一种力学结构异常状态快速识别方法，利用有限元数值仿真模型生成机器学习训练数据，输入实测数据以获得正常态状态置信度，并对异常态进一步有限元仿真获得定量信息。本专利技术通过以下技术方案实现：一种力学结构异常状态快速识别方法，包括如下步骤：步骤一：在力学结构中的关键组件处设置传感器，并构建传感网络以获取结构实时力学数据；步骤二：构建力学结构的精确有限元模型，在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器；步骤三：将力学结构各种工况下的载荷条件形成载荷条件取值范围表；步骤四：从载荷条件取值范围表中随机获取载荷条件样本，以载荷条件样本进行有限元计算；步骤六：依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常，若否，则采集载荷条件样本中的虚拟传感器的应变数据，若是，则舍弃载荷条件样本数据；步骤七：将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中，对模型进行训练；步骤八：将力学结构中的传感器采集的应变数据输入到机器学习模型中，判断输出无异常状态的置信度，若无异常状态的置信度大于80%，则力学结构状态无异常，同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据，若置信度小于等于80%，则力学结构为异常状态，将异常状态的载荷和边界条件进行精确有限元模型计算，获得力学结构异常状态发生的定量信息。所述步骤一中所述传感器为应力传感器、应变传感器中任意一种，所述传感网络为有线传感网络或无线传感网络。所述步骤二中精确有限元模型的建立包括如下步骤：S1）：对力学结构进行测量或三维扫描建立力学结构的三维模型；S2）：对力学结构的三维模型进行有限元网格划分；S3）：根据力学结构实时力学数据，对力学结构三维模型进行仿真分析，依据仿真分析结果优化S2）中力学结构三维模型及网格划分，进而构建力学结构的精确有限元模型。所述步骤二中精确有限元模型中虚拟传感器与对应力学结构中传感器的位置误差不超过0.1%。所述虚拟传感器的与传感器的位置误差通过精确有限元模型中的网格密度调整误差范围。所述步骤四中随机获取载荷条件样本数量大于100个。所述步骤七中的机器模型为无监督学习单分类支持向量机模型。所述步骤八中的阈值为80%。一种存储介质，所述存储器上存储有能够被处理器执行的指令，所述指令用于执行所述力学结构异常状态快速识别方法。本专利技术提供一种力学结构异常状态快速识别方法，将数值分析方法与机器学习方法有机结合，发挥各自优势，利用数值仿真模型生成训练数据，用机器学习模型实现快速预测识别，而且模型在工作中在获取正常态数据后，再利用该数据重新训练模型，实现动态学习过程，使模型越来越精确，该方法能够很好解决力学结构快速异常态识别问题，适用于土木工程、机械工程、桥梁工程、水利工程等领域的力学结构健康状态预警。附图说明图1是力学结构异常状态快速识别方法流程示意图。图2是本专利技术实施例坝体及传感器部署位置。图3是本专利技术实施例坝体有限元模型及虚拟传感器位置。其中，附图标记说明如下：1.坝体，2.应变传感器，3.坝体精确有限元模型，4.虚拟传感器。具体实施方式下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例实例仅仅是本专利技术一部分实施实例，而不是全部的实施实例，基于本专利技术的实施实例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施实例，都属于本专利技术保护的范围。如图1所示，一种力学结构异常状态快速识别方法，包括如下步骤：步骤一：在力学结构中的关键组件处设置传感器，并构建传感网络以获取结构实时力学数据；步骤二：构建力学结构的精确有限元模型，在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器；步骤三：将力学结构各种工况下的载荷条件形成载荷条件取值范围表；步骤四：从载荷条件取值范围表中随机获取载荷条件样本，以载荷条件样本进行有限元计算；步骤六：依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常，若否，则采集载荷条件样本中的虚拟传感器的应变数据，若是，则舍弃载荷条件样本数据；步骤七：将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中，对模型进行训练；步骤八：将力学结构中的传感器采集的应变数据输入到机器学习模型中，判断输出无异常状态的置信度，若无异常状态的置信度大于80%，则力学结构状态无异常，同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据，若置信度小于等于80%，则力学结构为异常状态，将异常状态的载荷和边界条件进行精确有限元模型计算，获得力学结构异常状态发生的定量信息。所述步骤一中所述传感器为应力传感器、应变传感器中任意一种，所述传感网络为有线传感网络或无线传感网络。所述步骤二中精确有限元模型的建立包括如下步骤：S1）：对力学结构进行测量或三维扫描建立力学结构的三维模型；S2）：对力学结构的三维模型进行有限元网格划分；S3）：根据力学结构实时力学数据，对力学结构三维模型进行仿真分析，依据仿真分析结果优化S2）中力学结构三维模型及网格划分，进而构建力学结构的精确有限元模型。所述步骤二中精确有限元模型中虚拟传感器与对应力学结构中传感器的位置误差不超过0.1%。所述虚拟传感器的与传感器的位置误差通过精确有限元模型中的网格密度调整误差范围。所述步骤四中随机获取载荷条件样本数量大于100个。所述步骤七中的机器模型为无监督学习单分类支持向量机模型。本专利技术还提供一种存储介质，该存储介质运行上述本专利技术描述的力学结构异常状态快速识别方法的指令，该存储器主介质上存储的指令能够被处理器执行。上述的存储介质包括各种形式的计算机可读介质，例如易失性存储器和非易失性存储器或者半导体存储介质、光存储介质等。上述处理器可执行上述的指令程序，可选择中央处理单元CPU或者FPGA或者其它处理单元。如图2所示为水利工程中的常见坝体1，在坝体1的受力面部署四个个应变传感器2，并将应变传感器2由上到下依次编号为一号传感器，本文档来自技高网...

【技术保护点】
1.一种力学结构异常状态快速识别方法，其特征在于，包括如下步骤：步骤一：在力学结构中的关键组件处设置传感器，并构建传感网络以获取结构实时力学数据；步骤二：构建力学结构的精确有限元模型，在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器；步骤三：将力学结构各种工况下的载荷条件形成载荷条件取值范围表；步骤四：从载荷条件取值范围表中随机获取载荷条件样本，以载荷条件样本进行有限元计算；步骤六：依据摩尔‑库伦失效准则判断力学结构状体是否属于结构异常，若否，则采集载荷条件样本中的虚拟传感器的应变数据，若是，则舍弃载荷条件样本数据；步骤七：将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中，对模型进行训练；步骤八：将力学结构中的传感器采集的应变数据输入到机器学习模型中，判断输出无异常状态的置信度，若无异常状态的置信度大于阈值，则力学结构状态无异常，同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据，若置信度小于等于阈值，则力学结构为异常状态，将异常状态的载荷和边界条件进行精确有限元模型计算，获得力学结构异常状态发生的定量信息。

【技术特征摘要】
1.一种力学结构异常状态快速识别方法，其特征在于，包括如下步骤：步骤一：在力学结构中的关键组件处设置传感器，并构建传感网络以获取结构实时力学数据；步骤二：构建力学结构的精确有限元模型，在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器；步骤三：将力学结构各种工况下的载荷条件形成载荷条件取值范围表；步骤四：从载荷条件取值范围表中随机获取载荷条件样本，以载荷条件样本进行有限元计算；步骤六：依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常，若否，则采集载荷条件样本中的虚拟传感器的应变数据，若是，则舍弃载荷条件样本数据；步骤七：将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中，对模型进行训练；步骤八：将力学结构中的传感器采集的应变数据输入到机器学习模型中，判断输出无异常状态的置信度，若无异常状态的置信度大于阈值，则力学结构状态无异常，同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据，若置信度小于等于阈值，则力学结构为异常状态，将异常状态的载荷和边界条件进行精确有限元模型计算，获得力学结构异常状态发生的定量信息。2.根据权利要求1所述的力学结构异常状态快速识别方法，其特征在于：所述步骤一中所述传感器为应力传感器、应变传感器中任意一种，所述传感网络为有线传感网络或无线传...

【专利技术属性】
技术研发人员：宋晓辉，赵华东，许俊杰，张瑞，吕鹏，李和林，宋方超，
申请(专利权)人：郑州大学，郑州郑大智能科技股份有限公司，
类型：发明
国别省市：河南,41