一种大规模结构健康监测方法及系统技术方案

本说明书实施例提供了一种大规模结构健康监测方法及系统，其中，方法包括：获取部署在大规模结构中的传感器的相关数据，将所述相关数据输入时间相关的网格环境；所述传感器相关数据包括传感器监测数据和传感器物理位置信息；以所述时间相关的网格环境作为输入，通过时空复合自动编码器网络SCAN提取损伤敏感特征向量，通过两个输出序列，分别检测和定位损伤；根据两个损伤指标函数分别对两个输出序列进行判别测试，并根据预设阈值分别对每个输出序列的测试结果进行检验，确定损伤位置。本发明专利技术能够提高损伤检测和定位的准确率。明能够提高损伤检测和定位的准确率。明能够提高损伤检测和定位的准确率。

【技术实现步骤摘要】
一种大规模结构健康监测方法及系统


[0001]本文件涉及结构损伤检测
，尤其涉及一种大规模结构健康监测方法及系统。

技术介绍

[0002]极端事件后大规模结构系统的快速损伤诊断对于渴望实现结构复原力的社区至关重要，近几十年来，对能复原的和智能结构的需求一直在快速增长，随着大数据革命的发生，数据驱动结构健康监测(SHM)的研究在土木工程界受到了关注，在关键基础设施和建筑物中实施结构健康监测(SHM)系统越来越受欢迎。
[0003]SHM通过智能传感器进行大量结构监测数据的收集，无线传感器网络的实施为大规模建筑物和基础设施监控系统带来了巨大的可能性。在大规模SHM中，通过使用相对较大的传感器阵列，为复杂结构开发损伤诊断模型，然而，从收集到的大量信息推断健康状况具有挑战性。人工智能的最新进展表明，数据驱动SHM可以从智能传感器网络中获益，并提供一个鲁棒的损伤诊断系统。数据驱动的SHM通常用于量化结构健康状态的统计模型开发，可以使用有监督或无监督的学习方法来训练该统计模型。监督SHM方法包括人工神经网络、支持向量机、决策树、卷积神经网络和基于视觉的SHM方法。然而，由于结构往往具有不同的结构属性和现场条件，获取受损状态数据实际上很困难；另外，模型通常针对特定类型的损伤进行训练，在结构经历未考虑的损伤类型的情况下，导致模型性能较差。新颖性检测是一种无监督学习方法，通过仅使用正常条件数据训练模型来解决这些局限性，通过部署在感兴趣结构中的物理传感器直接获取训练数据，所提出的方法包括基于密度的方法、自动编码器神经网络、自组织神经网络、同步压缩小波变换、小波神经网络、Boltzmann机器、时间序列模型、时间序列神经网络工程、基于内核的方法和聚类方法，还提出了大型结构基于振动的模型识别方法。
[0004]近年来，SHM的机器学习方法取得了进展，但是，尽管基于深度学习的SHM最近取得了进展，仍然缺乏针对具有大型传感器阵列的大型建筑的框架，且这些方法的模型输入不包括传感器的物理位置数据，缺少了几何信息。

技术实现思路

[0005]本说明书一个或多个实施例提供了一种大规模结构健康监测方法，包括：
[0006]S1.获取部署在大规模结构中的传感器的相关数据，将所述相关数据输入时间相关的网格环境；所述传感器相关数据包括传感器监测数据和传感器物理位置信息；
[0007]S2.以所述时间相关的网格环境作为输入，通过时空复合自动编码器网络SCAN提取损伤敏感特征向量，通过两个输出序列，分别检测和定位损伤；
[0008]S3.根据两个损伤指标函数分别对两个输出序列进行判别测试，并根据预设阈值分别对每个输出序列的测试结果进行检验，确定损伤位置。
[0009]本说明书一个或多个实施例提供了一种大规模结构健康监测系统，包括：
[0010]数据采集模块：用于获取部署在大规模结构中的传感器的相关数据，将所述相关数据输入时间相关的网格环境；所述传感器相关数据包括传感器监测数据和传感器物理位置信息；
[0011]损伤检测模块：用于以所述时间相关的网格环境作为输入，通过时空复合自动编码器网络SCAN提取损伤敏感特征向量，通过两个输出序列，分别检测和定位损伤；
[0012]损伤定位模块：用于根据两个损伤指标函数分别对两个输出序列进行判别测试，并根据预设阈值分别对每个输出序列的测试结果进行检验，确定损伤位置。
[0013]本说明书一个或多个实施例提供了一种电子设备，包括处理器，以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述大规模结构健康监测方法的步骤。
[0014]本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述大规模结构健康监测方法的步骤。
[0015]采用本专利技术实施例，提出了一种无监督学习的新颖检测框架，通过时间相关的网格环境和新颖的时空复合自动编码器网络，将时间相关的网格环境作为输入，并在前向通道中提供未来预测和输入重建网格环境输出。所提出的时空复合自动编码器网络的双分支性质提供了一个卓越的瓶颈潜在特征向量，能够实现两个不同的目标，为大型结构中的损伤检测提供了强有力的损伤指示器，能够检测并定位大型结构中的损伤，提高了损伤检测和定位的准确率。
[0016]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0017]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本说明书一个或多个实施例提供的一种大规模结构健康监测方法的流程图；
[0019]图2为本说明书一个或多个实施例提供的一种大规模结构健康监测方法的单个3D建筑的时间相关网格环境示意图；
[0020]图3为本说明书一个或多个实施例提供的一种大规模结构健康监测系统的组成示意图；
[0021]图4为本说明书一个或多个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0022]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不
是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0023]方法实施例
[0024]根据本专利技术实施例，提供了一种大规模结构健康监测方法，图1为本说明书一个或多个实施例提供的一种大规模结构健康监测方法的流程图，如图1所示，根据本专利技术实施例的大规模结构健康监测方法具体包括：
[0025]S1.获取部署在大规模结构中的传感器的相关数据，将所述相关数据输入时间相关的网格环境；所述传感器相关数据包括传感器监测数据和传感器物理位置信息。
[0026]通过在附加通道中对传感器的位置进行硬编码引入空节点，在网格环境中实现不规则的传感器布置。
[0027]所述时间相关的网格环境维数表示如下：
[0028]n
x
×
n
y
×
n
v
×
(a+1)
×
t；
[0029]其中n
x
和n
y
是两个水平方向上的节点数；n
v
是垂直方向上的节点数；a是考虑的加速度方向的数量，而(a+1)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大规模结构健康监测方法，其特征在于，包括：S1.获取部署在大规模结构中的传感器的相关数据，将所述相关数据输入时间相关的网格环境；所述传感器相关数据包括传感器监测数据和传感器物理位置信息；S2.以所述时间相关的网格环境作为输入，通过时空复合自动编码器网络SCAN提取损伤敏感特征向量，通过两个输出序列，分别检测和定位损伤；S3.根据两个损伤指标函数分别对两个输出序列进行判别测试，并根据预设阈值分别对每个输出序列的测试结果进行检验，确定损伤位置。2.根据权利要求1所述的方法，其特征在于，所述传感器的部署方法为：通过在附加通道中对传感器的位置进行硬编码引入空节点，在网格环境中实现不规则的传感器布置。3.根据权利要求1所述的方法，其特征在于，所述时间相关的网格环境维数表示为：n
x
×
n
y
×
n
v
×
(a+1)
×
t；其中n
x
和n
y
是两个水平方向上的节点数；n
v
是垂直方向上的节点数；a是考虑的加速度方向的数量，而(a+1)表示通道的总数；附加通道是空节点通道；值为1表示特定网格节点处加速计的物理存在，值为零表示空节点；t表示网格序列的时间步数；因此，输入张量是包括响应通道、三个空间轴H、W、D和时间轴的五阶张量。4.根据权利要求1所述的方法，其特征在于，所述时空复合自动编码器网络SCAN为由两个CNN空间模块和一个LSTM时间模块组成的CNN
–
LSTM复合网络。以时间相关的网格环境作为输入，通过不同路径在前向通道中提供未来预测和输入重建网格环境输出两个输出序列实现检测和定位两个不同的目标；所述不同路径包括预测路径和未来观测的重建路径，两个路径包括统一的空间编码器和解码器，所述预测路径包括充当时间编码器的深度LSTM网络。5.根据权利要求4所述的方法，其特征在于，CNN
–
LSTM复合网络的最外层模块是空间编码器模块和解码器模块；所述编码器模块构建方法如下：使两个编码器块以n
x
×
n
y
×
n
v
×
(a+1)个网格节点值作为输入，之后两个完全连接层产生b个节点，其中，b表示每个步骤的瓶颈特征数量；另一方面，所述解码器模块...

【专利技术属性】
技术研发人员：蔡长青，华东俊，高梦恬，江美静，李怡，梁增贤，吴佳臻，余晓雯，李丹虹，
申请(专利权)人：广州大学，
类型：发明
国别省市：