一种基于机器学习的结构模态参数识别方法技术

本发明专利技术提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明专利技术利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。

A method of structural modal parameter identification based on machine learning

【技术实现步骤摘要】
一种基于机器学习的结构模态参数识别方法
本专利技术涉及机器学习、信号处理、土木工程结构健康监测
，特别是涉及一种基于机器学习的结构模态参数识别方法。
技术介绍
结构模态参数(频率、阻尼比、振型)识别是结构动力学的经典反问题。结构模态参数代表了一个结构的动态特性，只和结构的物理参数和力学模型有关。它们在结构健康检测中有重要的意义，并且是结构损伤识别、模型更新和安全评估的基础。在过去的几十年中，模态分析在线性系统的识别中得到了更多的关注。它将复杂的多自由度系统解耦为简单的模态叠加，从而可以更轻松地描述结构的振动。结构模态参数，即模态频率、阻尼比和模态振型，包含结构动态特性的基本信息。它们描述了结构在外力作用下的行为。因此，它们包含结构的重要信息，可用于结构损伤检测，模型更新，结构安全评估等。传统的模态参数识别算法利用结构的输入和输出的关系。这需要理想的测试情况，可以控制或测量结构的激励。然而，在许多实际的基础设施中，不可能测量得到激励，因此仅利用输出的结构模态参数识别算法具有更大的优势。在过去的几十年中，出现了许多这类算法，涉及时域，本文档来自技高网...

【技术保护点】
1.一种基于机器学习的结构模态参数识别方法，其特征在于：所述方法包括以下步骤：/n步骤一、将振动传感器收集到的数据进行初步滤波去噪处理，选择带通滤波器对信号进行频率域滤波，然后进行傅里叶反变换返回到时域；/n步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；/n步骤三、提取神经网络第三层的结果即为模态响应，神经网络三四层之间的权重即为振型系数；/n步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。/n

【技术特征摘要】
1.一种基于机器学习的结构模态参数识别方法，其特征在于：所述方法包括以下步骤：
步骤一、将振动传感器收集到的数据进行初步滤波去噪处理，选择带通滤波器对信号进行频率域滤波，然后进行傅里叶反变换返回到时域；
步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；
步骤三、提取神经网络第三层的结果即为模态响应，神经网络三四层之间的权重即为振型系数；
步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。


2.根据权利要求1所述的方法，其特征在于：所述设计的神经网络具体为：利用一个设计的四层神经网络从系统响应中分离得到模态响应和振型系数，该神经网络利用了模态响应之间的独立性，从不相关性和非高斯性两个方面对独立性进行约束，从而实现模态响应的分离，从而求得模态响应和振型系数；
神经网络的输入为滤波之后的结构振动的响应数据X，其形式为：



式中N是时域数据的采样点数，m是振动传感器的数目；
神经网络的第二层用线性不相关和最小化高斯性进行约束，约束第二层结果的协方差矩阵为单位矩阵来满足线性不相关的约束，通过白化处理和利用高斯性函数度量函数来实现最小化高斯性约束；



式中H是神经网络第二层的结果，cov(·)是求不同变量之间的协方差矩阵，I是单位矩阵，||·||1是求l1范数，W(1)是神经网络一二层之间的权重系数，λ1、λ2、λ3是0-1之间的常数；
神经网络的第三层用非线性不相关进行约束；第三层利用激活函数进行非线性变换，然后通过约束第...

【专利技术属性】
技术研发人员：鲍跃全，刘大伟，唐志一，李惠，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23