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显著成效，但卷积神经网络在池化过程中会丢掉很多重要信息，其使用的标量神经元在提取特征时也无法实现位置、角度等姿态信息的提取。但是在实际工程中，桥梁结构受到的是复杂的多源荷载共同的作用，荷载的变化及不确定性，会造成同类型损伤的相似特征减少，卷积神经网络的上述不足将导致其诊断性能变差，特别是在需要提取海量监测数据的结构损伤的信息中尤为明显。此外，传统的以时间序列的时域信号或基于傅里叶变换的频域信号作为损伤识别的数据，在激励干扰下存在高度不稳定性，使得对损伤不够敏感，难以充分表征结构的损伤特征。因此，需要一种更有效的结构振动响应信号和人工智能算法结合的结构损伤诊断方法，以实现对结构损伤的准确定位和损伤程度量化。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种以传递率函数结合胶囊网络并融合多种机器视觉学习算法提出了一种基于振动传递大数据与胶囊网络融合的桥梁智能损伤诊断方法。
[0006]本专利技术提供了如下的技术方案。
[0007]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，包括以下步骤：
[0008]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；
[0009]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；
[0010]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。
[0011]优选地，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：
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]优选地，所述振动响应数据包括加速度和位移，记为：
[0017]x
i
＝{x(t
n
)}，i＝1,2,...k，n＝1,2,...,N
[0018]其中，k为数据采集点个数，N为响应数据的长度。
[0019]优选地，所述振动传递率函数为：
[0020]y
i
＝{y(f
m
)}，m＝1,2,...,M
[0021]其中，M为传递率数据长度；
[0022]传递率函数矩阵为：
[0023]Y
j
＝{y1,y2,...,y
i
}
[0024]其中，j表示第j种损伤状况；
[0025]所述振动传递率函数的计算，包括：
[0026][0027]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
)的傅里叶变化和它的共轭。
[0028]优选地，所述传递率函数矩阵转换的图像形式为等高线图。
[0029]优选地，所述结构损伤定位和量化的神经网络模型包括第一卷积层、稠密层、第二卷积层、注意力模块、胶囊层和全连接层；所述稠密层包括多组稠密块，多组所述稠密块之间由过渡层链接；所述胶囊层包括Primary
‑
Caps层和第二胶囊层。
[0030]优选地，所述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，包括以下步骤：
[0031]输入尺寸为c
×
m
×
n的传递率图像，c为指通道数，m
×
n为图像尺寸；
[0032]传递率图像经过第一卷积层初步提取特征后进入到稠密层，进行深层次的特征提取；
[0033]稠密层的网络计算可表示为：
[0034]x
l
＝H
l
([x0,x1,...,x
l
‑1])
[0035]其中，H()函数由BN+ReLU+3*3Conv组成，[x0,x1,...,x
l
‑1]表示将0到l
‑
1层的输出特征图做连接，即做通道的合并；
[0036]通过稠密层进行深层次的特征提取后，进入第二卷积层并初始化胶囊输入；
[0037]在第二卷积后加入卷积注意力模块，包括通道注意力模块和空间注意力模块；采
用全局平均池化和最大池化两种方式分别利用不同的信息，汇总空间特征信息，并输出空间特征图；
[0038]将空间特征图输入到胶囊网络胶囊层中的Primary
‑
Caps层输出低层胶囊网络多个神经元，利用动态路由算法连接胶囊之间信息的网络深度学习编码部分和整体之间的内在空间关系，实现高层胶囊网络多个神经元的更新；
[0039]将第二胶囊层的高层次特征展平并传递到两个全连接层，两个全连接层采用ReLU函数激活，最后输出所有单元损伤程度量值；
[0040]根据各单元损伤程度量值获得桥梁结构损伤的定位和量化。
[0041]本专利技术的有益效果：
[0042](1)本专利技术采用传递率数据代替传统的时域、频域数据，构建海量传递率数据集，将信号转换为图像，这样可以充分利用优秀的机器视觉学习算法。
[0043](2)本专利技术利用胶囊网络中的向量神经元代替传统卷积神经网络中的标量神经元，可以有效兼顾数据内部固有的空间关系和语义信息，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：