一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法技术

本发明专利技术提供一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，包括：根据振动响应数据，计算获得振动传递率函数，建立传递率函数矩阵，并将传递率函数矩阵转换为图像形式，获得传递率图像；基于胶囊网络构建结构损伤定位和量化的神经网络模型，其中，将胶囊网络中的特征提取层改为稠密层，在第二卷积层后加入卷积注意力模块；将传递率图像输入训练好的神经网络模型，进行结构的损伤定位和量化，获得损伤位置及程度的预测结果。该方法通过引入稠密层以及卷积注意力模式，实现了更高效地损伤图像提取，通过胶囊网络层的动态路由输出矢量神经元，对振动传递数据信息中的姿态信息进行保存，最后经过全连接层实现对损伤位置及量值的预测。量值的预测。量值的预测。

【技术实现步骤摘要】
一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法


[0001]本专利技术涉及结构损伤诊断
，具体涉及一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法。

技术介绍

[0002]桥梁结构构造复杂，遭受荷载类型多样且所处环境恶劣，在其长期服役过程中，不可避免地发生损伤，结构损伤严重威胁着结构的安全运行。因此，对结构进行损伤诊断，及早发地现结构损伤并掌握其损伤程度是保证桥梁结构安全运行的重要手段。
[0003]目前，众多的大型桥梁已安装了结构健康监测系统，以求实时掌握桥梁的运行状态，保障桥梁的安全运营。结构健康监测系统采集并储存了海量的监测数据，这些海量监测数据包含丰富的表征结构损伤的信息，对海量数据的充分利用，实现数据仓库向数据生产力的转化仍是一个挑战。
[0004]结构损伤诊断的关键是对损伤位置的确定及损伤程度的量化。基于结构动力响应信号和人工智能算法的结构损伤诊断方法，因其高效的数据处理能力，出色的特征提取能力，并且可实现结构损伤的实时诊断而倍受青睐。其中以卷积神经网络为代表的深度学习智能算法，在结构的损伤诊断方面取得了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，包括：根据待预测桥梁结构的振动响应数据，计算获得振动传递率函数，建立传递率函数矩阵，并将传递率函数矩阵转换为图像形式，获得传递率图像；基于胶囊网络构建结构损伤定位和量化的神经网络模型，其中，将胶囊网络中的特征提取层改为稠密层，在第二卷积层后加入卷积注意力模块；将传递率图像输入到训练好的神经网络模型，进行结构的损伤定位和量化，获得损伤位置及程度的预测结果。2.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述结构损伤定位和量化的神经网络模型的训练，包括以下步骤：构建用于模拟桥梁的各种损伤情况的桥梁结构有限元模型，提取各种损伤状态下结构的振动响应数据；根据振动响应数据，计算获得各种损伤状态下的振动传递率函数，建立传递率函数矩阵，并将传递率函数矩阵转换为图像形式，获得传递率图像；将传递率图像进行分类，并贴上相应损伤标签，标签内容包含结构的损伤位置及损伤程度；根据传递率图像构建图像样本数据集；确定损失函数，输入图像样本数据集进行神经网络模型训练，获得训练好的神经网络模型。3.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述振动响应数据包括加速度和位移，记为：x
i
＝{x(t
n
)}，i＝1,2,...k，n＝1,2,...,N其中，k为数据采集点个数，N为响应数据的长度。4.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述振动传递率函数为：y
i
＝{y(f
m
)}，m＝1,2,...,M其中，M为传递率数据长度；传递率函数矩阵为：Y
j
＝{y1,y2,...,y
i
}其中，j表示第j种损伤状况；所述振动传递率函数的计算，包括：其中，为在自由度i1处和i2处的响应之间的传递率，是互谱，是自谱，x(ω)和x
*
(ω)分别为振动响应x(t
n
)的傅里叶变化和它...

【专利技术属性】
技术研发人员：曹茂森，李帅，朱华新，姜亚洲，王泽雨，苏玛拉德拉戈斯拉夫，崔丽，
申请(专利权)人：江苏中基工程技术研究有限公司苏交科集团股份有限公司，
类型：发明
国别省市：