基于通道-时空注意力机制的网络的振动损伤检测方法技术

本发明专利技术提供了基于通道

【技术实现步骤摘要】
基于通道
‑
时空注意力机制的网络的振动损伤检测方法


[0001]本专利技术属于结构损伤检测领域，具体涉及一种基于通道
‑
时空注意力机制的网络的振动损伤检测方法。

技术介绍

[0002]土木结构和基础设施在其生命周期中一直受到各种环境源的破坏。这些损伤，如腐蚀、裂纹和残余应力，将降低结构的稳定性和安全性，威胁到人们的生命和财产安全。结构健康监测(SHM)系统作为一项很有前途的技术，已广泛应用于桥梁和高层建筑等民用基础设施的诊断和预测。作为SHM系统的重要组成部分，基于振动的损伤检测(VBDD)方法已经引起了研究人员的兴趣，因为它们能够识别结构的整体特征，并且这些方法是非破坏性的。VBDD侧重于利用结构参数变化(如固有频率、刚度和振型)的响应数据对结构进行整体状态评估。
[0003]在过去的几十年里，许多机器学习(ML)算法，如主成分分析、支持向量机和随机森林被用于VBDD，这些方法的损伤识别结果在很大程度上取决于特征提取阶段提取到特征的重要性和深度，但没有统一的评估标准来判断特征提取过程的质量。另外，一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通道
‑
时空注意力机制的网络的振动损伤检测方法，其特征在于，包括步骤：S1、通过加速度传感器收集桥梁的振动响应，并基于收集的响应数据构建样本矩阵；其中，所述加速度传感器部署在桥梁的关键位置，所述振动响应由LMS软件收集和处理，通过LMS软件收集不同重量的车辆通过桥梁时产生的激励，并按照地理顺序连接从所有加速传感器收集的原始时间序列，并沿时间维度将其划分为样本X＝{x1，x2，...，x
N
}；每个样本形成为矩阵其中表示在时间步j的第i个加速传感器上记录的值，m和n分别表示时间步和加速传感器的数量；S2、将所述样本矩阵输入至已训练好的N层基于通道
‑
时空注意力机制的网络CSTA中，进行特征提取和通道、空间、时间维度上的特征学习，得到第N层CSTA的特征图；所述得到第N层CSTA的特征图包括：将首次经过基本特征提取器后得到的原始三维样本特征图与经过第一层基于通道
‑
时空注意力机制的网络CSTA得到的特征图连接作为下一层CSTA的特征图，依次进行迭代，直到输出第N层CSTA的特征图，特征图连接具体如下式所示：F
k+1
＝F
k
+Atten(C(F
k
)),其中，F
k
代表在第k层的特征图，k＝1,
…
,N
‑
1，N代表基于通道
‑
时空注意力机制的网络CSTA的个数，函数C代表基础特征提取器，以及Atten表示注意力模块函数；将第k层的原始的特征图与经过特征提取和细化后的特征图连接作为第k+1层的特征图F
k+1
；其中，每一层基于通道
‑
时空注意力机制的网络CSTA包括基本特征提取器和注意力模块，所述经过第一层基于通道
‑
时空注意力机制的网络得到特征图的具体步骤包括：S21、将所述样本矩阵输入至所述基本特征提取器进行特征提取，实现二维到三维样本特征图U∈R
s
×
t
×
c
的映射转换，s，t，c分别代表空间、时间、通道维度；其中，所述基本特征提取器包括CNN、批归一化BN、激活函数ReELU、最大池化；S22、将所述三维样本特征图输入到所述注意力模块，依次学习通道、空间、时间维度上的特征，得到经过第一层基于通道
‑
时空注意力机制的网络CSTA得到的特征图；其中，所述注意力模块包括依次连接的挤压
‑
激励块SE、局部
‑
全局注意力模块LGA、分组地自注意力模块GSA，通过所述挤压
‑
激励块SE来计算通道注意力权重、所述局部
‑
全局注意力模块LGA来计算空间注意力权重、所述分组地自注意力模块GSA来计算时间注意力权重；具体地，步骤S22包括：(1)采用所述挤压
‑
激励块SE来计算通道注意力权重，得到经过通道注意力权重缩放的三维样本特征图，包括：首先，采用全局平均池化GAP来实现所述三维样本特征图U沿着时空维度s
×
t的压缩，得到压缩操作阶段的聚合信息，具体压缩函数F
sq
如下式所示：其中，z
k
代表第k个通道对应的压缩通道信息，通道u
k
(i，j)代表对应的CNN卷积核的响应激活，k＝1，2，...，c；其次，将所述聚合信息传输至激励阶段，以压缩阶段的信息x为输入，所述激励阶段函
数F
ex
采用两层全连接网络FC和sigmoid激活函数来捕获通道间的关系，通道注意力权重的计算公式如下所示：a
c
＝F
ex
(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))其中σ代表sigmoid函数，表示非线性可学习参数，δ表示ReLU函数，W表示权值，r表示限制模型复杂度的缩减率；最后，使用所述通道注意力权重将所述三维样本特征图U中的通道维度特征进行缩放，得到经过通道注意力权重缩放的三维样本特征图，缩放函数F
scale
具体如下式所示：其中，u
k
代表原始三维样本特征图，a
k
代表压缩阶段计算的通道注意力权值；(2)基于所述经过通道注意力权重缩放的三维样本特征图，采用所述局部
‑
全局注意力模块LGA来计算空间注意力权重，得到经过通道和空间注意力权重缩放的三维样本特征图，包括：首先，通过压缩操作将步骤(1)中得到的所述经过通道注意力权重缩放的三维样本特征图的通道和时间维度通过函数F
sq
压缩到向量z
x
∈R1×1×
s
，具体压缩方式如下式所示：其中，向量的每个元素u
x
(p，q)表示相应传感器的聚合信息，x＝1，2，...，s；其次，所述向量后连接两个分支，所述两个分支分别提取所述向量的全...

【专利技术属性】
技术研发人员：刘慧君，廖诗云，
申请(专利权)人：重庆大学，
类型：发明
国别省市：