一种基于随机子空间深度学习的结构模态参数识别方法技术

本发明专利技术公开了一种基于随机子空间深度学习的结构模态参数识别方法。利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；基于构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；建立机器学习神经网络；将Toeplitz矩阵的奇异值作为建立的机器学习神经网络的输入，进而确定系统的阶次；基于构造的Hankel矩阵、Toeplitz矩阵及其建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；对神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。本发明专利技术用以解决现有技术中存在虚假模态的干扰和需要较多人工参数设定的问题。题。题。

【技术实现步骤摘要】
一种基于随机子空间深度学习的结构模态参数识别方法


[0001]本专利技术属于土木工程结构识别领域；具体涉及一种基于随机子空间深度学习的结构模态参数识别方法。

技术介绍

[0002]结构健康监测技术是保障重大工程结构安全的重要手段，广泛应用于我国大量大型工程结构，在结构状态评估、灾害预警等方面发挥了重要的作用。模态参数识别是结构健康监测技术体系中十分重要的内容，模态参数是识别结构是否“健康”的重要指标，所以准确识别出模态参数是了解结构振动特性、进行健康监测的重要依据。结构的模态参数(频率、振型、阻尼比)是结构的一个固有本质特性，反映了结构在外力作用下的反应，表征了结构的“性格”，是了解结构动态特性、进行结构损伤检测与安全评估的重要依据，所以准确识别结构的模态参数具有重要的意义。
[0003]模态参数识别方法按照是否需要人工激励识别模态参数，可以分为传统的模态参数识别方法和仅利用输出的模态参数识别方法。传统的模态参数识别方法采用人工激励测试得到结构响应，再利用激励信号和响应信号识别模态参数。它主要是利用系统的输入和输出求解系统的频率响应函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机子空间深度学习的结构模态参数识别方法，其特征在于，所述结构模态参数识别方法具体包括以下步骤：步骤1：利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；步骤2：基于步骤1构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；步骤3：建立机器学习神经网络；步骤4：将步骤2得到的Toeplitz矩阵的奇异值作为步骤3建立的机器学习神经网络的输入，进而确定系统的阶次；步骤5：基于步骤1构造的Hankel矩阵、Toeplitz矩阵及步骤3中建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；步骤6：对步骤5得到的神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。2.根据权利要求1所述一种基于随机子空间深度学习的结构模态参数识别方法，其特征在于，所述步骤2具体为，将桥梁测点数据构造Hankel矩阵，并对“将来”输出的行空间Y
f
向“过去”输出的行空间Y
p
投影得到Toeplitz矩阵，并对Toeplitz矩阵进行奇异值分解。3.根据权利要求1所述一种基于随机子空间深度学习的结构模态参数识别方法，其特征在于，所述步骤4具体为，将Toeplitz矩阵进行奇异值分解后得到的奇异值输入步骤3建立的机器学习神经网络的定阶神经网络，利用定阶神经网络中的目标函数(1)进行优化求解，得到对结构模态阶次的最佳估计；所述目标函数(1)为：其中为归一化的奇异值，s
i
为Toeplitz矩阵求得奇异值，i为第i个奇异值，l为奇异值数目，R
res
为所选阶次与阈值的二阶范数残差，λ为常数，λ
c
为设定的阈值，n为所选阶次，L为损失函数，m为未被选择的阶次，P
action
为action＝0的概率，E
p
为R
res
的期望。4.根据权利要求1所述一种基于随机子空间深度学习的结构模态参数识别方法，其特征在于，...

【专利技术属性】
技术研发人员：鲍跃全，刘大伟，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：