【技术实现步骤摘要】
基于多尺度时空窗主成分分析的建筑结构损伤识别方法
[0001]本专利技术涉及一种基于多尺度时空窗主成分分析的建筑结构损伤识别方法。
技术介绍
[0002]目前许多桥梁都安装了结构健康监测系统来获取当下桥梁结构的响应数据,期望通过这些响应数据获知当前桥梁的状态,判断桥梁是否发生损伤。但是,虽然我们能够获知桥梁结构各个部位的响应数据,却仍很难判断桥梁是否出现损伤,尤其是当损伤程度很小或者损伤处于远离传感器的工况下,究其原因,主要是结构响应和桥梁损伤是十分复杂的强非线性关系,传统识别方法难以表征这种非线性关系,另外,与损伤相关的传感器响应变化容易被噪声、其它载荷的作用所吞没,更加增大了传统方法识别的难度。
[0003]因此,如何通过现有的桥梁响应数据去识别桥梁结构是否发生损伤、损伤的位置和受损的程度,仍然是目前本领域面临的巨大挑战。
技术实现思路
[0004]本专利技术的目的在于提供一种简单易行、提高识别准确度、提高识别效率的基于多尺度时空窗主成分分析的建筑结构损伤识别方法。
[0005]本专利技术的目的通过以下的技术措施来实现:一种基于多尺度时空窗主成分分析的建筑结构损伤识别方法,其特征在于包括以下步骤:
[0006]S1、对建筑结构健康监测系统传感器的响应数据进行多尺度时空窗主成分分析,获得不同时间窗和空间窗下对应的特征向量;
[0007]S2、对每个时间窗和空间窗下对应的特征向量根据不同损伤工况进行分类,获得不同损伤工况对应的特征向量数据集;
[0008]S3、 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度时空窗主成分分析的建筑结构损伤识别方法,其特征在于包括以下步骤:S1、对建筑结构健康监测系统传感器的响应数据进行多尺度时空窗主成分分析,获得不同时间窗和空间窗下对应的特征向量;S2、对每个时间窗和空间窗下对应的特征向量根据不同损伤工况进行分类,获得不同损伤工况对应的特征向量数据集;S3、将特征向量数据集中的特征向量加上损伤位置和受损程度的类别标签;S4、将加上了类别标签的特征向量作为训练样本输入到Bi
‑
GRU神经网络进行训练以更新Bi
‑
GRU神经网络的各层参数,进而得到基于Bi
‑
GRU深度网络的模型;S5、将待预测数据根据S1~S3得到的特征向量输入到基于Bi
‑
GRU深度网络的模型中,获得建筑结构是否发生损伤、损伤位置和受损程度的预测结果。2.根据权利要求1所述的基于多尺度时空窗主成分分析的建筑结构损伤识别方法,其特征在于:在所述步骤S1中,对建筑结构健康监测系统传感器的响应数据进行多尺度时空窗主成分分析,具体包括以下步骤:㈠将位于相邻两截面的所有传感器组合成空间窗,并确定时间窗:㈡对空间窗和时间窗内传感器的响应数据按照以下响应矩阵进行分析:式中,m
j
代表空间窗内的传感器编号;t代表采样时间;代表m
j
号传感器在t
i
时刻的应变响应;㈢对公式(1)做正则化处理,得到:㈢对公式(1)做正则化处理,得到:㈣对正则化后的求对应的协方差矩阵:㈤对协方差矩阵求解特征向量:(C(t
k
)
‑
λ
i
(t
k
)
·
I)ψ
i
(t
k
)=0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)式中,C(t
k
)为协方差矩阵;I为单位矩阵;λ
i
(t
k
)为特征值;ψ
i...
【专利技术属性】
技术研发人员:张舸,李健,孙晖,李美琦,郭晓昌,
申请(专利权)人:广东省建筑科学研究院集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。