一种基于多变量递归图和卷积神经网络的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变量递归图和卷积神经网络的结构损伤识别方法，包括如下步骤：

【技术实现步骤摘要】
一种基于多变量递归图和卷积神经网络的结构损伤识别方法


[0001]本专利技术属于结构健康监测和人工智能
，具体地涉及一种基于多变量递归图和卷积神经网络的结构损伤识别方法
。

技术介绍

[0002]服役中的土木工程结构或构件所处的环境变化多端，如温差变化
、
酸雨腐蚀等，同时，结构在使用过程中受到偶然荷载和地震荷载等各种荷载的作用
。
结构运营之后，随着使用年限的增加，易损构件会出现不同形式的损伤，如开裂
、
钢筋锈蚀
、
断丝和性能下降等问题
。
[0003]传统的基于结构动力特性的损伤识别方法需要推导损伤和动力特性之间的复杂关系，动力特性与损伤的关系各不相同且存在复杂的非线性关系
。
现存的结构损伤识别方法存在对损伤不敏感，经济成本高和鲁棒性差等问题；采用原始加速度响应时程数据能够避免特征信息的丢失，但时程数据对于动力特征的改变不敏感，存在缺陷
。
[0004]在信号分析中，由于递归图能够将原始信号转化为包含丰富特征信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多变量递归图和卷积神经网络的结构伤检测方法，其特征在于包括如下步骤：
S1)
搭建结构数值模型并采用风荷载激励，所述结构的数值模型，用于模拟不同构件损伤下结构在风荷载作用下的动力响应；
S2)
采集加速度响应数据并进行数据预处理，对于结构的数值模型，设置数据采集点并布置加速度传感器以采集结构加速度响应数据，设置不同损伤工况，对不同损伤工况，分别采集结构多点加速度响应数据并进行数据预处理；
S3)
对多点加速度响应数据划分数据样本，生成对应的多变量递归图，结合
n
点结构加速度响应时程，对其进行数据切片划分数据样本，生成一个
n
维相空间，计算不同采样点时刻各高维向量间的递归值后绘制多变量递归图，构成某损伤工况下的样本；其公式为：
X'
＝
{X
′1，
X
′2,X
′3,...,X
′
i
,...,X
′
N
|X
′
i
＝
x
′
i
(1),x
′
i
(2),...,x
′
i
(n)}
；其中
N
为信号采样长度，
n
为加速度传感器数目，
x
′
i
(j)
为第
j
个加速度传感器在采样点
i
处的数据值，
X
′
i
是相空间
X'
在时间点
i
处的相点，
n
个加速度传感器的数据共同构成相空间，赋予训练样本其损伤工况对应的标签，生成一个卷积神经网络的标准训练样本，标签为表征损伤位置与程度的
n
维向量；
S4)
对标准训练样本进行卷积神经网络的训练
、
验证与测试，将不同损伤工况下的多变量递归图样本赋予标签后构成样本数据集，并划分为训练集
、
验证集，作为卷积神经网络的输入；卷积神经网络由卷积层
、
池化层和全连接层堆叠组合构成，首先通过卷积层和池化层完成多变量递归图的特征提取和数据降维，再使用全连接层将提取处的特征映射到目标空间；在卷积神经网络训练过程中，当验证集中的损失函数的小于设定值时，保存网络模型参数，得到训练好的损伤识别模型；将训练好的...

【专利技术属性】
技术研发人员：段元锋，刘鹏飞，段政腾，
申请(专利权)人：浙江大学，
类型：发明
国别省市：