一种基于模态振型和卷积神经网络的结构损伤识别方法技术

本发明专利技术公开一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；S4：对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果。本发明专利技术将模态振型处理成卷积神经网络识别图像的数据，同时还可以识别损伤的位置及损伤程度，达到提高损伤识别精度的目的。

A Structural Damage Identification Method Based on Mode Shape and Convolutional Neural Network

The invention discloses a structural damage identification method based on modal mode shape and convolution neural network, which includes the following steps: S1: building structural model by software simulation and dividing structural model into units; S2: simulating several structural damage situations of structural model in different units; S3: extracting the first mode shape of structure under free vibration, and the number obtained. According to the transformation into matrix data form, as the input of convolution neural network; S4: training convolution neural network; S5: actual measurement of the structure, and measurement of the displacement signal of the unit centroid in accordance with the cell division of S1, forming a matrix data form corresponding to S3; S6: Substituting the data matrix of the unit centroid of S5 into the convolution neural network after the training of S4, we can get the data matrix of the unit centroid of S5. Damage results of structures. In the invention, the modal mode is processed into the data of convolution neural network recognition image, and the location and degree of damage can be identified at the same time, so as to improve the accuracy of damage identification.

【技术实现步骤摘要】
一种基于模态振型和卷积神经网络的结构损伤识别方法
本专利技术涉及于土木工程损伤识别领域，特别涉及一种基于模态振型和卷积神经网络的结构损伤识别方法。
技术介绍
在我国因结构损伤引发的工程事故屡见不鲜，由此带来的人员伤亡及经济损失惨重，所以对结构的健康监测及损伤检测显得极为重要。目前已存在的基于模态振型变化的结构损伤别技术，单从有限元模拟，就出现了难以准确识别损伤位置的缺点，对于损伤程度的识别就更加难以实现，且在实际应用中存在着测量振型不完备和噪声影响的问题，当缺少主要的损伤模态就难以识别，再者，当损伤发生在结构振型幅值接近于0处时，该类方法失效。
技术实现思路
为克服现有基于模态振型的方法的不足，本专利技术提出了一种新的基于模态振型和卷积神经网络的结构损伤识别方法。本专利技术将模态振型与卷积神经网络相结合，可以克服单一利用模态振型不能够准确识别结构损伤的缺点，本专利技术将模态振型处理成卷积神经网络识别图像的数据，同时还可以识别损伤的位置及损伤程度，达到提高损伤识别精度的目的。为解决上述技术问题，本专利技术的技术方案如下：一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；所述的阵型是每个单元的质心的主振方向的位移组合；S4：对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，所述的损伤结果包括结构的损伤的位置和结构的损伤的程度。在一种优选的方案中，所述的S3的数据转化为二维矩阵数据形式或者三维矩阵数据形式。在一种优选的方案中，所述的矩阵的元素的数值是对应单元的质心位移数值，若没有对应单元的质心没有发生位移，二维矩阵的元素的数值是0。在一种优选的方案中，所述的S1中通过abaqus模拟构建结构模型。在一种优选的方案中，所述的S4中，通过python语言对卷积神经网络进行训练。在一种优选的方案中，所述的卷积神经网络包括输入层、卷积层、激活函数和连接层。在一种优选的方案中，所述的损伤模拟方法是弹性模量折减方法或者模拟缺口方法。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术与用单一的振型进行损伤识别相比，本专利技术可显著地提高损伤识别的精度，并且可以大概地识别出损伤程度，单一利用振型不能识别出损伤的程度；本专利技术与将振型与一般神经网络相结合进行损伤识别相比，一是数据的形式，一般神经网络做一维数据识别，卷积神经网络的输入数据是二位图像形式；二是卷积神经网络相比于一般神经网络的优点，卷积神经网络通过权值共享和部分连接，可以大大地简化网络的复杂程度，提高运算速率，损伤识别的准确性也有提高。附图说明图1为本实施例流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。如图1所示，一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：S1：通过abaqus软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为二维矩阵数据形式，作为卷积神经网络的输入；阵型是每个单元的质心的主振方向的位移组合；卷积神经网络包括输入层、卷积层、激活函数和连接层；S4：通过python语言对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成二维矩阵数据形式；S6：将S5的单元质心的二维数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，损伤结果包括结构的损伤的位置和结构的损伤的程度。附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本专利技术的上述实施例仅仅是为清楚地说明本专利技术所作的举例，而并非是对本专利技术的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术权利要求的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于模态振型和卷积神经网络的结构损伤识别方法，其特征在于，包括以下步骤：S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；所述的阵型是每个单元的质心的主振方向的位移组合；S4：对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，所述的损伤结果包括结构的损伤的位置和结构的损伤的程度。

【技术特征摘要】
1.一种基于模态振型和卷积神经网络的结构损伤识别方法，其特征在于，包括以下步骤：S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；所述的阵型是每个单元的质心的主振方向的位移组合；S4：对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，所述的损伤结果包括结构的损伤的位置和结构的损伤的程度。2.根据权利要求1所述的结构损伤识别方法，其特征在于，所述的...

【专利技术属性】
技术研发人员：陈贡发，龚盼盼，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44