基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法技术

本发明专利技术提供了一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，包括：获取地铁枕梁的应变场数据，对应变场数据进行重组；将重组后的应变场数据输入至构建的神经网络模型中，通过卷积处理得到初次提取特征后的数据，重复进行分组卷积和采用平面空间注意力机制和通道注意力机制处理，得到提取的更高级的数据，同时对数据尺寸进行相应的缩小；将提取的更高级的数据进行转置卷积处理，并在通道方向上与上次输出的大小相同的数据进行拼接再依次经过可分离卷积和转置卷积处理，得到融合了高级和低级特征且大小与初次提取特征后的数据相同的特征矩阵；再通过转置卷积和softmax函数激活，输出损伤识别概率矩阵，进而输出损伤结果。输出损伤结果。输出损伤结果。

【技术实现步骤摘要】
基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法


[0001]本专利技术涉及轨道交通损伤识别
，特别地，涉及一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法。

技术介绍

[0002]对于轨道车辆而言，枕梁是连接车体底架和转向架的重要部件，承受较大的作用力和全车的重量，并通过上下心盘将重量传递给走行部。它还同时承受着垂向、纵向和扭转等交变载荷的作用，应力状况复杂。在枕梁的生产过程中，由于加工条件、材料缺陷、人工操作等因素，产品容易发生内部孔洞、凹陷和表面擦伤等缺陷；在日常的应用过程中，由于枕梁长期受交变重载荷的作用，不可避免会发生疲劳损伤。这些损伤使得枕梁的生产和日常维护成本增加，严重时将威胁到乘客的生命财产安全。所以，轨道交通的产品质量与运行维护至关重要，实现地铁枕梁高效、自动的实时损伤识别有极大的研究价值。
[0003]基于应变的结构健康监测技术被广泛地用于交通领域，现有的应变损伤识别方法存在过程复杂、状态评估滞后、智能化程度低等缺陷，亟需发展先进的智能识别技术。
[0004]在针对枕梁损伤检测有关的研究中，许多学者将关注点放在枕梁制造和焊接方面的检测上，还有些学者利用有限元仿真和疲劳损伤法则对枕梁结构的疲劳强度进行疲劳寿命预测。但是，对枕梁使用过程中进行结构损伤识别的研究还比较少，因此，如何实现枕梁结构的实时损伤识别还有待解决。

技术实现思路

[0005]为解决上述现有技术中存在的问题，本专利技术提供了一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法。本专利技术以地铁枕梁为研究对象，基于地铁枕梁应变场信息，针对地铁损伤识别问题，采用深度学习方法，利用其强大的非线性拟合能力，并引入注意力机制与先进卷积结构，构建精度、速度都能够满足实时损伤识别的神经网络模型，能够实现由应变场到损伤的自动损伤识别过程。
[0006]为实现上述目的，本专利技术提供了一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，包括以下步骤：
[0007]获取包含地铁枕梁每个单元的应变场数据；所述应变场数据为二维特征矩阵；
[0008]对所述应变场数据进行重组，得到重组后的应变场数据；所述重组后的应变场数据为三维应变场特征矩阵，重组后单个方向应变场数据包括高与宽，且应变场方向数等于在网络模型中的通道方向数；
[0009]将重组后的应变场数据输入至构建的神经网络模型中，通过卷积操作初步提取应变场数据特征，并依次进行归一化和ReLU函数激活处理，得到初次提取特征后的数据；
[0010]将初次提取特征后的数据重复进行分组卷积和采用平面空间注意力机制和通道注意力机制处理，依次得到比上一次输出数据提取的更高级的数据，同时对数据尺寸进行相应的缩小；
[0011]将经过最后一次特征提取的数据依次进行转置卷积、归一化和ReLU函数激活处理，随后在通道方向上与前一次输出的大小相同的数据进行拼接来融合低级特征，将融合了低级特征的数据依次经过可分离卷积处理和转置卷积处理；重复上述步骤，得到融合了所有高级和低级特征且大小与初次提取特征后的数据相同的特征矩阵；
[0012]将融合了所有高级和低级特征且大小与初次提取特征后的数据相同的特征矩阵依次通过转置卷积处理和softmax函数激活，输出损伤识别概率矩阵；
[0013]根据所述损伤识别概率矩阵，得到每一个单元属于相应损伤程度的概率信息；根据所述概率信息，判定每个单元分别属于哪种损伤程度，输出损伤结果。
[0014]进一步的，当地铁枕梁的材料未发生损伤时D＝0，此时材料的弹性模量未发生改变；当发生完全损伤时，D＝1，此时材料的弹性模量变为0；故采用损伤前后材料的弹性模量变化来度量损伤，并将地铁枕梁每个单元的弹性模量削弱离散化，分为20％，40％，60％三个单元弹性模量削弱等级，分别对应一级损伤，二级损伤和三级损伤。
[0015]进一步的，对所述应变场数据进行重组，得到重组后的应变场数据，具体为：
[0016]假设获取的地铁枕梁的应变场数据大小为c
×
n，表示应变场包含c个方向各n个应变的值；
[0017]经过数据重组后，变成大小为c
×
h
×
w的数组；
[0018]其中，h
×
w为重组后单个方向应变场包含的数据尺寸，h与w分别代表重组后单个方向应变场数据的高与宽，且满足h
×
w＝n；c在输入数据中代表一个样本数据中包含的应变场方向数，在网络模型中为通道方向。
[0019]进一步的，将重组后的应变场数据输入至所构建的神经网络模型中，通过卷积操作将应变场数据的尺寸逐步缩小，具体采用的是2
‑
D卷积，即在运算过程中，卷积核在特征数据的两个平面方向上滑动，不进行通道方向的移动，以此遍历整个数据平面。
[0020]进一步的，进行归一化处理时，采用的归一化层为实例归一化层，实例归一化层舍弃了在批次方向和通道方向上进行归一化操作，只在H和W方向上进行归一化。
[0021]进一步的，进行分组卷积处理，具体为：
[0022]将输入数据划分为n组；
[0023]将划分好的数据送入各自的卷积通道进行卷积计算，各自获取对应特征；
[0024]将各自数据进行叠加操作，得到输出数据。
[0025]进一步的，采用平面空间注意力机制和通道注意力机制处理，具体为：将输入的特征数据的流通方向分为两条，一条首先经过通道注意力模块，将所得的权值矩阵与原输入数据相乘，再经过空间注意力模块，乘以相应的权值；另一条则直接映射，最后将两条流向的数据相加经过激活函数输出。
[0026]进一步的，经过通道注意力模块处理，具体为：
[0027]在输入数据的平面上叠加一个能被微分计算以及能够接受模型梯度反向传播的权重矩阵；输入的特征数据分别经过最大值池化与平均值池化，得到与特征数据平面尺寸相同，但是通道数量为1的初步权值矩阵；将所得两个矩阵在通道方向上堆叠，再经过1
×
1的卷积操作使得通道方向的维度变为1，最终得到与输入特征数据的平面尺寸相同，通道数量为1的权值矩阵。
[0028]进一步的，经过空间注意力模块处理，具体为：
[0029]在维度通道方面对特征数据进行加权处理，输入的特征数据分别经过全局最大值池化与全局平均值池化，得到2组尺寸大小与输入数据通道数相同的权值；然后将数据扩展出平面的2个维度，送入1
×
1的卷积对通道方向按压缩率进行压缩，再经过1
×
1的卷积对通道方向进行还原；最后将两个1
×1×
原数据通道数的矩阵相加，经过sigmoid激活得到最终的权值矩阵。
[0030]本专利技术具有以下有益效果：
[0031]1、本专利技术提供的一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，参考ResNeXt网络思想，建立了残差模块(Bol_Res模块)，采用分组卷积代替简单的卷积层堆叠，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，其特征在于，包括以下步骤：获取包含地铁枕梁每个单元的应变场数据；所述应变场数据为二维特征矩阵；对所述应变场数据进行重组，得到重组后的应变场数据；所述重组后的应变场数据为三维应变场特征矩阵，重组后单个方向应变场数据包括高与宽，且应变场方向数等于在网络模型中的通道方向数；将重组后的应变场数据输入至构建的神经网络模型中，通过卷积操作初步提取应变场数据特征，并依次进行归一化和ReLU函数激活处理，得到初次提取特征后的数据；将初次提取特征后的数据重复进行分组卷积和采用平面空间注意力机制和通道注意力机制处理，依次得到比上一次输出数据提取的更高级的数据，同时对数据尺寸进行相应的缩小；将经过最后一次特征提取的数据依次进行转置卷积、归一化和ReLU函数激活处理，随后在通道方向上与前一次输出的大小相同的数据进行拼接来融合低级特征，将融合了低级特征的数据依次经过可分离卷积处理和转置卷积处理；重复上述步骤，得到融合了所有高级和低级特征且大小与初次提取特征后的数据相同的特征矩阵；将融合了所有高级和低级特征且大小与初次提取特征后的数据相同的特征矩阵依次通过转置卷积处理和softmax函数激活，输出损伤识别概率矩阵；根据所述损伤识别概率矩阵，得到每一个单元属于相应损伤程度的概率信息；根据所述概率信息，判定每个单元分别属于哪种损伤程度，输出损伤结果。2.根据权利要求1所述的基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，其特征在于，当地铁枕梁的材料未发生损伤时D＝0，此时材料的弹性模量未发生改变；当发生完全损伤时，D＝1，此时材料的弹性模量变为0；故采用损伤前后材料的弹性模量变化来度量损伤，并将地铁枕梁每个单元的弹性模量削弱离散化，分为20％，40％，60％三个单元弹性模量削弱等级，分别对应一级损伤，二级损伤和三级损伤。3.根据权利要求1所述的基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法，其特征在于，对所述应变场数据进行重组，得到重组后的应变场数据，具体为：假设获取的地铁枕梁的应变场数据大小为c
×
n，表示应变场包含c个方向各n个应变的值；经过数据重组后，变成大小为c
×
h
×
w的数组；其中，h
×
w为重组后单个方向应变场包含的数据尺寸，h与w分别代表重组后单个方向应变场数据的高与宽，且满足h
×
w＝n；c在输入数据中代表一个样本数据中包含的应变场方向数，在网络模型中为...

【专利技术属性】
技术研发人员：阳程星，王傲，许平，姚曙光，
申请(专利权)人：中南大学，
类型：发明
国别省市：