一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法技术

本发明专利技术公开了一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，所述监测系统包括：基于压电换能器的阻抗测试系统、玻璃幕墙故障模拟系统，和基于迁移学习的数据处理算法。其中，基于压电换能器的阻抗测试系统解耦并获得玻璃幕墙的频域信息；玻璃幕墙故障模拟系统生成故障源域数据；基于迁移学习的数据处理算法利用源域数据训练迁移学习模型，结合实际玻璃幕墙的阻抗信息，识别玻璃幕墙的松动状态。本发明专利技术使用压电换能器，通过主动激励传感的方式获取被测玻璃幕墙结构阻抗特征，利用故障模拟方式获取数据并进行迁移，对玻璃幕墙松动等状况做出判断，具有结构简单、准确率高、灵活度高、适应性强、安全性强等优点。安全性强等优点。安全性强等优点。

【技术实现步骤摘要】
一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法


[0001]本专利技术涉及一种建筑结构健康监测装置和方法，尤其涉及一种基于迁移学习和压电换能器的玻璃幕墙松动检测方法。

技术介绍

[0002]在现代社会，玻璃幕墙被广泛应用在高层建筑之中。但是由于安装过程中的失误和长期自然环境中自然力的作用，玻璃松动、掉落的事故时有发生，造成了严重的安全隐患。而且随着使用时间的不断增加，玻璃幕墙掉落等意外事故发生的概率还逐渐增大，目前很多玻璃幕墙。因此，建立有效的对玻璃幕墙健康监测系统，对玻璃幕墙的健康状态进行分析和预测是十分有必要的。传统上，往往利用“锤击法”等简单、粗糙的方式对玻璃幕墙的松动情况进行判断，但这些方法往往费时费力，效果有限，且高度依赖个人经验，不利于大规模推广和使用。近年来，利用压电阻抗法对玻璃幕墙进行松紧程度的判断是一种得到较多研究、较为理想的方法。
[0003]利用压电阻抗法，观察玻璃幕墙在不同条件下的响应曲线峰值大小和位置的变化，可以判断其松紧程度，具有成本低、可靠性高、准确率高、灵活度高、适应性强、安全性强等优点。通过这种方法来判断，优于传统的“锤击法”，但仍然存在不同型号尺寸玻璃幕墙阻抗特征差异大，无法直接利用；因安全问题，实际高层建筑场景中无法预设带有故障的玻璃幕墙，即无法获得故障原始数据及其特征等问题。因此，迫切需要一种更为实用的方法来解决上述问题。

技术实现思路

[0004]本专利技术的目的在于针对现有方法的问题，基于迁移学习和压电阻抗法，本专利技术提出一种基于压电换能器的玻璃幕墙松动检测装置和方法，将仿真或实物模拟故障平台获得的数据作为源域进行预训练，利用实测的少量数据进行微调，来对玻璃幕墙松动程度进行判断的方法。提高玻璃幕墙松动状况的检测精度和可操作程度，实现玻璃幕墙结构早期、微弱松动的识别。
[0005]技术方案：本专利技术的技术方案如下：一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，所述方法包括：基于压电换能器的阻抗测试系统，用于测量实际检测的玻璃幕墙的阻抗信息，以便后续进行松动判断；玻璃幕墙故障模拟系统，用于获取大量各种状态下的玻璃幕墙阻抗信息以及阻抗信息对应的松动信息；基于迁移学习的数据处理算法，用于对获得的阻抗信息进行处理分析，得到相应的玻璃幕墙的松动情况判断结果。
[0006]进一步地，所提方法的整体思路为：搭建基于压电换能器的阻抗测试系统，获取少量实测数据；利用有限元方法或者实验平台故障模式实验，获得源域仿真数据集；对仿真数据和实测的少量数据进行数据预处理；利用迁移学习，用仿真数据进行训练得到预训练模型，将相关的参数迁移至目标域，利用少量实测数据进行微调，得到最终的识别模型。利用最终的识别模型可以输出相应的松动判断结果。
[0007]进一步地，利用基于压电换能器的阻抗测试系统对玻璃幕墙松动情况进行检测的基本原理和方法是：利用激励信号产生模块，用于产生激励信号；将激励信号输入固接于幕墙玻璃上作为驱动器的压电换能器，然后另外的固接于幕墙玻璃上作为传感器的压电换能器感受振动信号，并输出相应的电信号；再利用数据采集系统，对相应的电信号进行采集；最后对采集到的电信号进行后续处理和分析，得到对玻璃幕墙松动情况的判断结果。
[0008]进一步地，采集到的响应信号的表达式为：
[0009][0010]式中，M、C、K、k1、k2分别是系统的质量矩阵、阻尼矩阵、刚度矩阵、第一片压电换能器的机电耦合系数矩阵和第二片压电换能器的机电耦合系数矩阵。 K
c
＝1/C
p
，C
p
是压电换能器的电容，V
e
是激励电压，ω是激励信号频率，j表示虚部。
[0011]进一步地，玻璃幕墙故障模拟系统的构建方法为：利用有限元方法，构建玻璃幕墙结构与压电检测结构的仿真耦合模型；然后设定相关参数，进行有限元计算，最终得到大量的各种不同条件下的源域仿真数据集。
[0012]进一步地，数据预处理的具体步骤为：首先利用相敏检波技术，将对压电换能器施加的激励信号与相移90度后的信号作为两路参考信号，并进行相乘与低通滤波，获得更加清晰直观的频域曲线；然后利用数据中的最大值和最小值，将数据归一化到[0,1]区间；最后考虑到高采样率的情况下获得的数据点数较多，采用数据抽帧的方法在尽可能保留样本信息的前提下减少数据量，提高运算效率，便于后续使用。
[0013]进一步地，迁移学习的具体步骤为：首先获得预训练模型，即将预处理后的仿真数据，输入1D
‑
CNN网络进行训练，然后调节网络相关结构和参数使训练结果尽可能好，以得到相对最优的预训练模型；然后进行小样本微调，即将卷积层的结构及参数进行复制迁移，得到预训练的1D
‑
CNN，然后输入预处理后的实测的小样本数据，进行训练并调整参数，获得最终的预测模型。
[0014]进一步地，迁移学习中1D
‑
CNN的网络结构具体包括：首先是数据输入层，确定输入数据的维度；然后是第1个一维卷积层和第1个池化层，第2个一维卷积层和第2个池化层，第3个一维卷积层和第3个池化层，这些层主要用来提取特征；再是Flatten层和第1个全连接层；并利用Dropout层减少过拟合程度；最后一层是第2个全连接层，利用softmax函数实现分类。
[0015]进一步地，利用迁移学习得到的1D
‑
CNN，输入压电阻抗法获得的具体的玻璃幕墙频域数据，即可判断相应的玻璃幕墙松动情况。
[0016]相对于现有技术，本专利技术的优点如下：提出一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，利用仿真数据预训练1D
‑
CNN模型，再利用少量实测数据进行微调，得到判断模型，来判断玻璃幕墙是否松动。压电阻抗法对比传统的玻璃幕墙松动检测方法，如“锤击法”和无人机巡检等方法，不依赖于使用者的经验，成本低，精度高，实用性强。本专利技术提出的利用迁移学习来对压电阻抗法测得的数据进行判断的方法，解决了实际中难以获得大量样本训练神经网络的缺陷，并且准确度高，鲁棒性和泛化性好，可以对早期、微弱的玻璃幕墙松动情况进行判断。
附图说明
[0017]图1为所专利技术方法流程图。
[0018]图2为检测装置图。
[0019]图3为有限元仿真模型图。
[0020]图4为相敏检波流程图。
[0021]图5为抽帧流程图。
[0022]图6迁移学习原理图。
[0023]图7为一维卷积网络结构图。
具体实施方式
[0024]为了加深对本专利技术的认识和理解，下面将结合附图以及具体实施例来详细说明本专利技术。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0025]参见图2，是利用压电换能器的玻璃幕墙松动检测装置的结构，包括两个压电换能器以及激励产生和数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，其特征在于：包括基于压电换能器的阻抗测试系统，用于测量实际检测的玻璃幕墙的阻抗信息，以便后续进行松动判断；玻璃幕墙故障模拟系统，用于获取大量各种状态下的玻璃幕墙阻抗信息以及阻抗信息对应的松动信息；基于迁移学习的数据处理算法，用于对获得的阻抗信息进行处理分析，得到相应的玻璃幕墙的松动情况判断结果。2.根据权利要求1所述的一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，其特征在于：所述基于压电换能器的阻抗测试系统包括两片压电换能器及相应的激励源、数据采集装置；其中一片压电换能器作为驱动器，接受来自激励源的激励信号，引起玻璃幕墙结构振动；另外的一片压电换能器作为传感器，将玻璃幕墙的振动变为电信号以便采集。3.根据权利要求1所述的一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，其特征在于：所述玻璃幕墙故障模拟系统利用有限元仿真或者模拟故障实验平台测试的方法，建立玻璃框架结构与压电测量结构的多物理场故障模拟系统，获得不同健康与松动条件下的玻璃幕墙阻抗信息。4.根据权利要求1所述的一种基于迁移学习和压电阻抗法的玻璃幕墙松动检测方法，其特征在于：所述基于迁移学习的数据处理算法利用归一化和抽帧的方法对仿数据进行预处理，然后搭建一维卷积神经网络模型，即1D
‑
CNN模型，用预处理后的仿真数据进行预训练，获得预训练模型；再把预训练模型的部分网络结构及参数迁移到目标域，利用预处理后的少量实测数据对网络参...

【专利技术属性】
技术研发人员：徐佳文，陈卓，严如强，
申请(专利权)人：东南大学，
类型：发明
国别省市：