一种基于迁移学习和残差网络的张拉膜结构损伤识别方法技术

本发明专利技术公开了一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，本方法与传统结构动力检测模态参数识别方法相比，通过利用深度学习模型异常强大的特征学习能力，能够实现从海量数据中自动提取出更深层次的损伤特征，对自振频率密集、高阶模态振型复杂的张拉膜结构动力损伤检测能很好适用。很大程度上摆脱了传统结构动力检测信号处理技术、人工特征提取和专家经验的依赖，是实现张拉膜结构智能动力检测和健康监测的理想方法之一。此外，针对性的提出改进策略，使得本方法具有高效、便捷和低成本的特点，在索膜结构进行全面的动力检测和健康监测领域有着广阔的应用前景。

【技术实现步骤摘要】

本专利技术涉及张拉式索膜结构损伤识别和人工智能，具体涉及一种基于迁移学习和残差网络的张拉膜结构损伤识别方法。

技术介绍

1、张拉膜结构(也称为张拉式索膜结构)是由稳定的空间双曲张拉膜面、支承桅杆体系、支承索和边缘索等构成的空间结构体系，主要是由膜材与支撑构件(钢框架、钢柱或钢索)通过施加一定的初始预张力，形成能承受外荷载的稳定空间形状。由于张拉膜结构具有强大的可塑性和高度的灵活性，属于建筑结构中“力”与“形”的完美结合，因此张拉膜结构在公共建筑中的应用极其广泛。但在实际工程应用中张拉膜结构承受的主要荷载随机性强，导致张拉膜结构整体的缺陷敏感性强，初始缺陷、局部构建损伤会显著影响结构的承载能力和动力特性。因此，张拉膜结构力学性能对膜面损伤非常敏感，当膜面发生损伤会导致张拉膜结构丧失受力平衡状态，如果进一步受到外部荷载作用，张拉膜结构极有可能会发生瞬时破断。张拉膜结构往往是地方性标志性建筑，其破坏不仅会造成重大人员伤亡和巨大经济损失，还会带来极坏的社会影响。为了保障张拉膜结构工程质量，延长结构使用年限，避免由于膜面损伤导致张拉膜结构过早毁坏以及进一步减少灾害风本文档来自技高网...

【技术保护点】

1.一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，步骤1中，利用加速度传感器采集不同损伤工况下的膜面原始振动信号，具体步骤为：

3.如权利要求2所述的一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，对采集的不同损伤工况下膜面振动信号.xlsx文件中的噪声点依次进行手动删除，包括对被测膜面进行施加外部激励信号前加速度传感器采集的噪声信号，以及膜面进行被施加外部激励信号作受迫振动衰减结束后加速度传感器采集的噪声信号；经过手动预处理后的...

【技术特征摘要】

1.一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，步骤1中，利用加速度传感器采集不同损伤工况下的膜面原始振动信号，具体步骤为：

3.如权利要求2所述的一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，对采集的不同损伤工况下膜面振动信号.xlsx文件中的噪声点依次进行手动删除，包括对被测膜面进行施加外部激励信号前加速度传感器采集的噪声信号，以及膜面进行被施加外部激励信号作受迫振动衰减结束后加速度传感器采集的噪声信号；经过手动预处理后的不同损伤膜面一维振动信号.xlsx文件数据长度相同。

4.如权利要求3所述的一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其特征在于，步骤2中，利用小波变换将一维膜面振动序列数据转换为二维图像数据，用以构建不同损伤工况下膜面振动信号图像数据集的方法为：基于预处理后的不同损伤膜面一维振动信号.xlsx文件数据，使用morlet连续小波变换对采集的损伤膜面振动信号进行处理，实现将损伤膜面一维振动时域信号转换为包括时域和频域信息的二维损伤膜面图像数据，并划分为训练集、验证集和测试集。

5.如权利要求4所述的...

【专利技术属性】
技术研发人员：张营营，喻秋，周祎，杨彬，徐俊豪，赵玉帅，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：