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

本发明专利技术公开了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，包括：S1、对传感器响应数据进行多尺度时空窗主成分分析，获得不同时空窗下对应的特征向量；S2、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类别标签；S4、将特征向量作为训练样本输入到Bi

【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、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；
[0009]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；
[0010]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。
[0011]本专利技术通过将待预测数据输入深度学习模型后可以得到准确的预测结果，不但提高了识别准确度，而且提高了识别效率，可以实现高精度、高准确率地对建筑结构是否发生损伤、损伤位置和受损程度的智能识别。
[0012]本专利技术在所述步骤S1中，对建筑结构健康监测系统的传感器响应数据进行多尺度时空窗主成分分析(PCA)，包括以下步骤：
[0013]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：
[0014]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：
[0015][0016]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。每一行代表着一个采样时刻，空间窗内的传感器采集的应变响应。每一列代表着一个传感器所采集的时间窗内的所有应变响应。
[0017]如果时间窗向前移动k步，对应的响应矩阵为：
[0018][0019]㈢对公式(1)做正则化处理，得到：
[0020][0021][0022]㈣对正则化后的求对应的协方差矩阵：
[0023][0024]㈤对协方差矩阵求解特征向量：
[0025](C(t
k
)
‑
λ
i
(t
k
)
·
I)ψ
i
(t
k
)＝0
ꢀꢀꢀ
公式(5)
[0026]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
(t
k
)为第i阶特征向量；其中，量；其中，为第i特征向量中的第j号分量。一般地，第一阶特征向量包含了跟结构相关的大量信息，不同尺度的时间窗对应的PCA第一特征向量将作为人工智能算法的输入。
[0027]本专利技术所述时间窗为1年、1季度和1个月。
[0028]本专利技术在所述步骤S4中，Bi
‑
GRU神经网络在输入训练样本后，每一时刻的输入信息同时输入到两个方向相反的Bi
‑
GRU神经网络中，每一个Bi
‑
GRU网络由输入层、隐藏层和输出层组成，隐藏层包括更新门和重置门，且重置门和更新门为：
[0029]z
t
＝σ(W
z
·
[h
t
‑1,x
t
]+b
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)
[0030]r
t
＝σ(W
r
·
[h
t
‑1,x
t
]+b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)
[0031][0032][0033]式中，x
t
为输入；r
t
为更新门；z
t
为重置门；h
t
为隐藏层的输出；W
z
、W
r
、W为可训练的参数矩阵；b
z
、b
r
、b
h
为偏置。
[0034]由这两个Bi
‑
GRU神经网络共同决定最终输出：
[0035][0036]式中：分别为正向传播和方向传播的输出；和分别为正向和反向传播的权重。
[0037]与现有技术相比，本专利技术具有如下显著的效果：
[0038]⑴
本专利技术通过多尺度时空窗主成分分析，获得不同时间窗对应的PCA特征向量，并将特征向量输入人工智能网络(Bi
‑
GRU神经网络)，通过Bi
‑
GRU网络模型训练得到深度学习模型，再将待预测数据输入深度学习模型后可以得到准确的预测结果，不但提高了识别准确度，而且提高了识别效率，可以实现高精度、高准确率地对建筑结构是否发生损伤、损伤位置和受损程度的智能识别。
[0039]⑵
本专利技术简单易行，将多尺度时空窗主成分分析与人工智能算法结合，可智能识别建筑结构损伤，实用性强，适于广泛推广和使用。
附图说明
[0040]下面结合附图和具体实施例对本专利技术作进一步的详细说明。
[0041]图1是本专利技术的总体流程框图；
[0042]图2是本专利技术的多尺度时空窗主成分分析流程框图；
[0043]图3是本专利技术的Bi
‑
GRU神经网络结构组成示意图；
[0044]图4是本专利技术实施例所用的模型及损伤示意图；
[0045]图5是本专利技术实施例本文档来自技高网...

【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：