一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法技术

本发明专利技术提供了一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法，包括以下步骤：建立砼箱梁桥有限元模型，利用移动车辆荷载通过桥梁来激励结构。通过模拟分析桥梁在不同损伤工况下的加速度响应，对加速度响应进行小波分析得到其时频分布图。将时频分布图输入建立的卷积神经网络模型中进行训练，调整并优化得到优化的模型。再对待检测砼箱梁桥实测的加速度数据进行小波分析得到其时频分布图，输入训练好的模型进行损伤识别。本发明专利技术无需人工提取结构损伤特征指标，采用移动车辆可以激起桥梁更大的振动响应，信噪比高。而且车辆荷载是移动的，经过损伤位置时结构损伤特征可以被更好的激起。本发明专利技术经济实施便捷，可自动快速的对桥梁进行损伤识别。桥梁进行损伤识别。桥梁进行损伤识别。

【技术实现步骤摘要】
一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法


[0001]本专利技术涉及桥梁损伤识别与机器学习科学的交叉领域，尤其涉及一种移动车辆作用下基于小波时频图和卷积神经网络的砼箱梁桥损伤识别方法。

技术介绍

[0002]桥梁结构使用期长达几十年、甚至上百年，环境侵蚀、材料老化和荷载的长期效应、疲劳效应等灾害因素的耦合作用将不可避免地导致结构和系统的损伤累积，结构的强度和刚度随时间的积累而降低，极端情况下将引发灾难性的突发事故。为保障结构的安全性、同时也充分了解既有桥梁结构的实际状况和工作性能，对桥梁结构采用有效的手段进行损伤识别与安全评估是非常重要的。
[0003]目前常用的关于桥梁损伤识别方法主要有静态损伤识别法、动态损伤识别法和基于人工智能的损伤识别方法。这些损伤识别的方法有一定的效果，但也存在一些问题，如静态的损伤识别方法检测的损伤效果不理想，所需测点数量过多且小损伤易被误差掩盖，其识别精度受到损伤数量及程度的影响较大。动态损伤识别方法也存在测点数量要求多和传感器精度要求高的问题，实际测得的结构动力响应指标受到环境因素的影响较大。传统基于人工智能的损伤识别方法如支持向量机，人工神经网络，决策树模型等要求用某一特征的数据作为输入，即需要对数据进行预处理提取出某些特征信息，将这些特征数据与自制的标签一一对应，一起放入机器学习的系统中进行训练。因此，损伤识别的效果很大程度上依赖于提取的特征和分类器的选择。
[0004]深度学习在输入层与输出层间增加更多隐藏层的神经网络，通过训练学习可以直接从原始数据中提取更复杂的非线性“优化”特征，将特征与期望的输出关联起来，还可以运行整个特征提取过程。因此，不需要提前提取特征，经过适当训练的深度学习系统就可以找到从原始输入到最终输出的直接映射。卷积神经网络(CNN)是一种有监督的多层前馈深度学习网络模型，由于其强大的学习能力，CNN最近被用于基于振动的结构损伤识别技术中。然而，传统的基于振动的结构损伤识别技术是利用环境激励技术采集结构的加速度响应，其信噪比低，结果受噪声干扰较大。移动车辆可以激起比通常环境振动更大的振动响应，具有较高的信噪比。基于移动车辆激励下的结构响应进行损伤识别受到了较多的研究与关注。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种移动车辆作用下基于小波时频图和卷积神经网络的砼箱梁桥损伤识别方法。建立砼箱梁桥有限元模型，利用移动车辆荷载通过桥梁来激励结构，通过模拟分析桥梁在不同损伤工况下的加速度响应，对加速度响应进行小波分析得到其时频分布图，输入建立的卷积神经网络模型中进行训练，调整并优化各种参数得到优化的卷积神经网络模型，再对待检测砼箱梁桥实测加速度数据进行小波分析得到其时频分布图，输入训练好的卷积神经网络模型进行损伤识别。本专利技术无需人工提取结构
损伤特征指标，采用移动车辆可以激起桥梁更大的振动响应，信噪比高。而且车辆荷载是移动的，经过损伤位置时结构损伤特征可以被更好的激起。方法经济实施便捷，可自动快速的对桥梁进行损伤识别。
[0006]本专利技术提供的技术方案为：
[0007]一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法，包括以下步骤：
[0008]步骤一、各种损伤样本数据构建，根据实桥图纸建立砼箱梁桥有限元模型，将主梁沿纵向划分为多个梁段，分别对各梁段中间单元弹性模量降低来模拟结构发生不同程度的损伤(包括无损工况)，将已知的检测车通过桥梁，对模型进行有限元时程分析，提取移动车辆作用下桥梁在不同损伤工况的加速度响应数据。
[0009]步骤二、在加速度响应数据中添加噪声水平为15％的高斯白噪声模拟实际噪声的干扰，噪声水平定义为噪声方差与加速度响应信号方差的比值。
[0010]步骤三、对加速度响应数据进行连续小波变换，提取小波变换系数的模生成小波时频图。
[0011]步骤四、将所有小波时频图按照7：3的比例划分为训练样本集和测试样本集。
[0012]步骤五、建立卷积神经网络模型，由卷积层、池化层、全连接层和输出层组成。
[0013]步骤六、将模拟的损伤训练样本集输入到卷积神经网络模型进行训练，并根据训练结果调参得到最优模型。
[0014]步骤七、将测试样本集输入到训练好的最优模型中进行损伤测试，并通过与真实损伤工况对比，给出测试结果的准确率，当准确率高于设定的阈值时，证明可以将最优模型用于步骤八的实桥检测。
[0015]步骤八、实桥检测。在实桥上安装加速度计，使检测车辆匀速通过桥梁，以获取桥梁的实际加速度响应数据。
[0016]步骤九、损伤识别。将实测加速度响应数据进行连续小波变换生成时频图，将生成的时频图输入到步骤六中训练好的卷积神经网络模型中进行损伤识别。
[0017]优选的是，步骤一中，在有限元建模时采用降低弹性模量的方式来模拟不同工况下结构的损伤；步骤一的具体实现方式如下；
[0018]步骤1.1，根据实桥图纸确定砼箱梁桥的几何及材料参数，建立有限元模型，将模型沿纵桥向等距划分为N个梁段；
[0019]步骤1.2，对第1个梁段的中间单元采取依次降低弹性模量的方式来模拟结构发生不同程度的损伤，再让检测车辆匀速通过桥梁，对有限元模型进行瞬态分析，提取每个梁段端点的加速度响应数据；
[0020]步骤1.3，对第2到第N个梁段的中间单元依次采取步骤1.2的方式模拟结构不同损伤工况，进行瞬态分析，提取相应的加速度响应数据。
[0021]优选的是，步骤二中，为模拟实际噪声干扰，在数据集中添加噪声水平为15％的高斯白噪声。
[0022]优选的是，步骤三中，将时频图作为卷积神经网络的输入可以同时捕捉结构在不同损伤工况下响应信号的时域和频域特征；可以提高损伤特征指标提取的准确性和精确度。选择广义Morse小波作为小波基函数进行连续小波变换，并根据加速度响应信号的时频特征优化选取广义Morse小波的参数和变换的尺度。
[0023]优选的是，步骤四中，将数据集按比例划分为训练集和测试集。利用训练集对卷积神经网络进行训练，并根据训练结果对卷积神经网络进行参数调优，迭代训练和测试，最终得到最优卷积神经网络模型。利用测试集对最优的卷积神经网络进行测试。这样有助于防止过拟合，增加模型的泛化能力。步骤四中，将训练集与测试集按照损伤的位置设置数字标签0
‑
N，其中，0表示桥梁没有发生损伤，1表示简支梁桥第一个梁段发生损伤，N表示简支梁桥第N个梁段发生损伤，样本标签总数为N+1。
[0024]优选的是，步骤五中，建立的卷积神经网络模型包括卷积层，池化层，全连接层和输出层，其中卷积层选用ReLU作为激活函数来有效解决梯度消失问题。在池化层和全连接层之间引入Dropout层，解决参数过多及过拟合问题。全连接层选择ReLU作为激活函数，可以提高神经网络对模型的表达能力。卷积神经网络模型的具体结构为：5个卷积层，每个卷积层后面连接ReLU激活函数，第1个和第2个卷积层后面连接有归一化层和池化层，第5个卷积层后面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法，其特征在于，包括如下步骤：步骤一，根据实桥图纸建立砼箱梁桥有限元模型，将主梁沿纵向划分为多个梁段，分别对各梁段中间单元弹性模量降低来模拟结构发生不同程度的损伤，将已知的检测车通过桥梁，对模型进行有限元时程分析，提取移动车辆作用下桥梁在不同损伤工况的加速度响应数据；步骤二，在加速度响应数据中添加高斯白噪声模拟实际噪声的干扰；步骤三，对加速度响应数据进行连续小波变换，提取小波变换系数的模生成小波时频图；步骤四，将所有小波时频图按照一定的比例划分为训练样本集和测试样本集；步骤五，建立卷积神经网络模型，由卷积层、池化层、全连接层和输出层组成；步骤六，将模拟的损伤训练样本集输入到卷积神经网络模型进行训练，并根据训练结果调参得到最优模型；步骤七，将测试样本集输入到训练好的最优模型中进行损伤测试，并通过与真实损伤工况对比，给出测试结果的准确率，当准确率高于设定的阈值时，证明可以将最优模型用于步骤八的实桥检测；步骤八，在实桥上安装加速度计，使检测车辆匀速通过桥梁，以获取桥梁的实际加速度响应数据；步骤九，将实测加速度响应数据进行连续小波变换生成时频图，将生成的时频图输入到最优模型中进行损伤识别。2.根据权利要求1所述的一种基于小波时频图和深度学习的砼箱梁桥损伤识别方法，其特征在于：步骤一的具体实现方式如下；步骤1.1，根据实桥图纸确定砼箱梁桥的几何及材料参数，建立有限元模型，将模型沿纵桥向等距划分为N个梁段；步骤1.2，对第1个梁段的中间单元采取依次降低弹性模量的方式来模拟结构发生不同程度的损伤，再让检测车辆匀速通过桥梁，对有限元模型进行瞬态分析，提取每个梁段端点的加速度响应数据；步骤1.3，对第2到第N个梁段的中间单元依次采取步骤1.2的方式模拟结构不同损伤工况，进行瞬态分析，提取相应的加速度响应数据。3.根据权...

【专利技术属性】
技术研发人员：王超，韩桂宁，齐天玉，潘响，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：