一种基于移动荷载与卷积神经网络的简支桥损伤检测方法技术

本发明专利技术提出了一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，利用移动车辆荷载通过桥梁激励结构响应，通过有限元模拟提取桥梁在各种损伤工况下的加速度响应信号，输入建立的一维卷积神经网络模型进行训练，调整优化各种相关参数得到最终优化后的一维卷积神经网络模型，再将桥梁实测加速度数据输入模型中来进行损伤诊断。本发明专利技术不需要提前提取损伤特征指标，移动荷载可以激起更大的振动，响应具有较高的信噪比。当移动荷载经过损伤位置时结构损伤特征可以被更好的激起。检测实施经济快捷，可实现自动快速的简支梁桥损伤检测。可实现自动快速的简支梁桥损伤检测。可实现自动快速的简支梁桥损伤检测。

【技术实现步骤摘要】
一种基于移动荷载与卷积神经网络的简支桥损伤检测方法


[0001]本专利技术涉及桥梁移动荷载损伤检测与深度学习
，具体涉及一种基于移动荷载与卷积神经网络的简支桥损伤检测方法。

技术介绍

[0002]桥梁结构在长期运营过程中，交通荷载特别是超重车辆、疲劳效应、环境腐蚀和材料老化等众多不利因素的耦合作用，会逐渐导致桥梁结构性能下降、损伤累积，极端情况下将引发灾难性的突发事故。如何掌控并保持桥梁运营期性能是我国交通系统的重大需求，目前在部分重要的大跨度桥梁上安装了健康监测系统监测桥梁运营状况，但由于造价高昂，很少安装在中小桥上，对于中小桥梁运营维护仍是以人工巡检为主，费时费力，主观误差大。如何对中小跨桥梁实现快速、经济且准确的损伤检测是评价桥梁性能与状态的关键技术，对保障桥梁的安全运营具有十分重要的理论意义和工程实用价值。针对桥梁损伤检测问题，传统方法是基于环境激励技术，采集结构的响应进行分析，主要包括基于模型和基于数据驱动的损伤检测方法。基于模型的方法建立在结构有限元模型的基础上，通过建立结构损伤与响应指标之间的映射关系，来确定其损伤状况。主要包括基于静力响应指标(如位移，应变)、基于动力响应指标(如频率、振型、模态应变能、柔度矩阵等)的方法及有限元模型修正方法。这类方法物理意义强，但有限元模型的精度对检测结果影响较大，实际工程中，干扰因素多，难以建立精确的模型。基于数据驱动的损伤检测方法直接对结构响应数据进行分析，建立响应本身或特征工程提取得到的相应特征与损伤之间的关系，不依赖具体结构模型，如时间序列模型、主成分分析、时频分析的方法。这类方法多是采集桥梁在环境激励下的振动响应，然后对响应信号在时域或时频域进行分析处理，需要大量时间测试提取对结构损伤敏感的特征指标，环境激励下结构的响应信噪比较低，检测效果也易受到噪声干扰。
[0003]近年来，人工智能发展迅速，机器学习算法在各领域的应用受到广泛关注，深度学习是机器学习时代的最新成果，它是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。深度学习具有强大的特征学习能力和表达能力，将其引入到结构损伤检测领域，具有潜在的优势和广泛的应用前景。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出了一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，利用移动车辆荷载通过桥梁激励结构响应，通过有限元模拟提取桥梁在各种损伤工况下的加速度响应信号，输入建立的一维卷积神经网络模型进行训练，调整优化各种相关参数得到最终优化后的一维卷积神经网络模型，再将桥梁实测加速度数据输入模型中来进行损伤诊断。本专利技术不需要提前提取损伤特征指标，移动荷载可以激起更大的振动，响应具有较高的信噪比。当移动荷载经过损伤位置时结构损伤特征可以被更好的激起。
检测实施经济快捷，可实现自动快速的简支梁桥损伤检测。
[0005]本专利技术的技术方案是这样实现的：
[0006]一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，包括如下步骤：
[0007]步骤1：构建简支梁桥模型损伤样本集；
[0008]步骤1.1：根据实际简支梁桥设计参数建立有限元模型，将主梁沿纵向分为N个梁段，每个梁段纵向分为多个梁单元，将每个梁段跨中的单元采用降低其弹性模量的方式来模拟损伤，并设置k种降低弹性模量的程度来模拟损伤等级；
[0009]步骤1.2：选定将进行移动荷载测试的两轴检测车，确定其参数如总重m和轴重m1和m2，将检测车辆以速度v匀速行驶通过桥梁，对其进行瞬态分析，得到桥梁结构无损状况下的动力响应。提取每个梁段端节点的加速度响应，共得到N
‑
1组加速度响应信号(两端支座位置节点不需要)，采样频率为f
s
；
[0010]步骤1.3：对第一个梁段跨中的单元降低1个等级(如1％)的弹性模量模拟该部位发生损伤，让检测车辆以速度v匀速行驶通过桥梁，对有限元模型进行瞬态分析，同样采样频率为f
s
提取N
‑
1组每个梁段端节点的竖向加速度响应作为损伤样本；
[0011]步骤1.4：采用步骤1.3的方法对第一个梁段跨中的单元分别降低k个等级的弹性模量模拟该部位发生损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应，得到新的损伤样本数据；
[0012]步骤1.5：采用步骤1.3和1.4同样的方法，分别对第二到第N个梁段跨中的单元降低1到k等级的弹性模量模拟不同损伤工况，进行瞬态分析得到不同工况的损伤样本数据；
[0013]步骤2：对所有提取的加速度信号数据集添加随机高斯白噪声来模拟实际噪声干扰。噪声水平为15％，这里噪声水平定义为噪声方差与原始信号(加速度响应)方差的比值；
[0014]步骤3：将已加噪的加速度数据集按照一定比例划分为训练集、验证集及测试集。将训练集、验证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对应的数字标签，N表示简支梁桥第N个梁段发生损伤对应的数字标签，样本标签总数为N+1；
[0015]步骤4：构建一维卷积神经网络模型，包括：e1个卷积层，h1个池化层，q1个Dropout层及r1个全连接层，其中e1、h1、q1、r1均为常数；
[0016]步骤4.1：卷积层使用的激活函数为Relu函数，每两层卷积层之间添加最大池化层，用以减少数据冗杂及过拟合现象。其中，卷积层的卷积核大小为p1，卷积核的数目为c1，步长为s1，最大池化层的卷积核大小为p2，步长为s2。添加q1个Dropout层，Dropout层可以让某个神经元的激活值以一定的概率随机隐藏(丢弃)，然后再进行本次训练和优化，使它不会太依赖某些局部的特征，可以减少过拟合的现象，p1、c1、s1、p2、s2均为常数。最后输出结果经由Softmax激活函数进行归一化处理，模型通过比较所有元素的最大值得到可能性最大的类别，由此输出判别结果；
[0017]步骤5：卷积神经网络模型的训练；
[0018]步骤5.1：将训练集和验证集导入输入层，输入层用于将输入数据送入卷积神经网络进行特征提取；
[0019]步骤5.2：第2～7层设置为四层小卷积核卷积与两层池化层，用于捕捉加速度信号样本的局部与全局特征；
[0020]步骤5.3：第8～13层设置为四层大卷积核卷积与两层池化层，用于提取加速度信号的短时特征；
[0021]步骤5.4：第14层设置Dropout层，使神经元的激活值以一定的概率随机隐藏(丢弃)；
[0022]步骤5.5：全连接层通过Relu函数将数据特征转化为特征图并展平形成一维向量；
[0023]步骤5.6：第16层对训练数据集进行分类；
[0024]步骤6：卷积神经网络最优网络模型参数的优化；
[0025]步骤6.1：设定学习率，损失函数采用交叉熵损伤函数，选择Adam优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于，包括如下步骤：步骤1，通过有限元数值模拟桥梁各种损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应来构建损伤样本集；步骤2，对所有提取的加速度响应添加随机高斯白噪声来模拟实际噪声干扰；步骤3，将已加噪的加速度数据集按照一定比例划分为训练集、验证集及测试集；步骤4，构建一维卷积神经网络模型，包括：输入层，e1个卷积层，h1个池化层，q1个Dropout层，r1个全连接层，以及Softmax分类器，其中e1、h1、q1、r1均为常数；步骤5，将训练集和验证集输入到一维卷积神经网络模型中进行训练和验证；步骤6，利用损失函数对一维卷积神经网络模型的参数进行优化，输出最优模型；步骤7，利用最优模型预测测试集中简支梁桥损伤情况，通过与真实损伤工况进行对比，给出测试结果的准确率；步骤8，将实际在役简支梁桥等分成若干段，每个梁段端节点放置加速度计，两端支座位置节点不放加速度计，将移动测试车通过桥梁，提取整个过程中桥梁的加速度响应信号，将其输入最优模型中，通过最优模型诊断桥梁的损伤情况。2.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤1的具体实现方式如下；步骤1.1，根据实际简支梁桥设计参数建立有限元模型，将主梁沿纵向分为多个梁段，每个梁段纵向分为N个梁单元，将每个梁段跨中的单元采用降低其弹性模量的方式来模拟损伤，并设置k种降低弹性模量的程度来模拟损伤等级；步骤1.2，选定将进行移动荷载测试的两轴检测车，将检测车辆匀速行驶通过桥梁，对其进行瞬态分析，得到桥梁结构无损状况下的动力响应，提取每个梁段端节点的竖向加速度响应信号，其中，两端支座位置节点不放加速度计，采样频率为f
s
；步骤1.3，对第一个梁段跨中的单元降低1个等级的弹性模量模拟该部位发生损伤，让检测车辆匀速行驶通过桥梁，对有限元模型进行瞬态分析，同样提取每个梁端节点的加速度响应作为损伤样本；步骤1.4，采用步骤1.3的方法对第一个梁段跨中的单元分别降低k个等级的弹性模量模拟发生损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应，得到新的损伤样本数据；步骤1.5，采用步骤1.3和步骤1.4同样的方法，分别对第二到第N个梁段跨中的单元降低1到k等级的弹性模量模拟不同损伤工况，进行瞬态分析得到不同工况的损伤样本数据。3.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤2中噪声水平为15％，所述噪声水平定义为噪声方差与原始加速度响应信号方差的比值。4.如权利要求2所述的一种基于移动荷载与卷积神经网络的简支桥...

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