【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险事故等，需要对张拉膜结构膜面进行定期结构健康监测与维护。
2、目前结构损伤识别是结构健康监测领域重要的研究课题。一般性的，当工程结构发生损伤时，其与正常结构相比在某些特性方面会产生异常现象。这些现象体现在表征结构特性上会发生变化，比如动态特性和静态特性、表面状态和形状大小等的各种特征参数上。结构损伤识别主要是通过测量和辨识这些特征参数的异常变化来对工程结构的健康进
3、结构动力响应测量检测本质上是对结构物理参数是否发生变化进行检测，而反应结构物理特性(刚度、质量和阻尼)参数变化主要为结构模态参数(固有频率、模态振型等)。但是，与传统土木建筑结构不同，张拉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，该种结构是集材料非线性与几何非线性于一体的高度非线性系统，具有结构自振频率密集、高阶模态振型复杂的特点，传统的模态参数识别方法难以适用。针对张拉膜结构利用振动信号进行结构健康检测理论是可行的，但是存在振动信号模态参数识别困难，无法准确表征该种结构的损伤特征等问题。随着人工智能和机器视觉技术的发展，数据处理和图像识别方法广泛地应用到土木结构损伤检测中。深度学习算法作为人工智能的典型方法之一，因其具有异常强大的特征学习能力，能够从海量数据中自动提取出更深层次的特征，所以在很大程度上摆脱了传统信号处理技术，人工特征提取和专家经验的依赖。因此，基于振动信号利用深度学习方法对张拉膜结构损伤识别健康检测势在必行。利用深度学习强大的多层次特征学习和高维特征提取能力，可弥补当前对张拉膜结构振动信号模态参数识别困难，无法准确表征膜结构的损伤特征等问题，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。
4、传统深度学习神经网络模型的构建模式随着网络深度的增加到一定数量时，网络模型会发生梯度消失、梯度爆炸和网络退化现象，严重影响模型特征提取和学习能力，从而导致网络性能急剧下降。而残差网络则打破传统神经网络模型的构建模式，与普通神经网络单一连接模式相比，残差神经网络利用恒等映射实现了跳跃连接。残差网络的残差模块缓解了传统神经网络随着深度增加导致性能骤降的问题，这也使得搭建更加深层网络模型成为可能，实现充分挖掘振动信号蕴含的时频信息，有效提高张拉膜结构损伤识别精度。近年来，迁移学习是将源域学到的知识迁移到目标域的一种学习方法，通过采用大数据预训练模型参数对实现小样本情况下目标损伤识别准确率的显著提高。此外，由于张拉膜结构振动信号不同样本在不同时刻表现出的特征存在较大差异，采用注意力机制可以将模型注意力聚焦到目标信息的不同位置来提升特征信息获取能力，降低模型对输入数据的敏感性。
技术实现思路
1、针对上述存在的技术不足，本专利技术的目的是提供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，其能够解决传统的结构动力检测方法对张拉膜结构这种集材料非线性与几何非线性于一体的高度非线性系统结构难以适用，无法准确表征张拉膜结构的损伤特征等问题。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、本专利技术提供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，包括以下步骤：
4、步骤1：对膜面施加外部激励信号，采集不同损伤工况下的膜面原始振动信号；
5、步骤2：对不同损伤工况下膜面振动信号数据进行预处理，并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；
6、步骤3：将注意力机制引入resnet50残差网络架构，分别对resnet50浅层网络和深层网络混合嵌入注意力机制，完成构建改进resnet50残差网络模型；
7、步骤4：对改进的resnet50残差网络模型输入构建的不同损伤工况下膜面振动信号图像数据集进行训练，并利用迁移学习方法将imagenet预训练模型的参数权重迁移到改进的resnet50残差网络模型进行训练，并保留模型训练最优模型参数权重；
8、步骤5：基于训练好的最优改进resnet50残差网络预训练模型对不同损伤工况下膜面振动信号进行分类检测，输出膜面损伤分类检测结果和注意力特征图。
9、优选地，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：
10、步骤21：对待测膜面进行网格划分确定测量点，保证测量点相对密集地平均分布在待测膜面表面；
11、步骤22：在对不同损伤膜面动态特性测试中，对被测损伤膜面进行施加外部激励信号使其作受迫振动，其中外部激励信号包括稳态正弦激励、正弦扫频激励、随机激励和力锤冲击激励。
12、步骤23：将加速度传感器放置于测量点处测量不同损伤工况下的膜面受迫振动信号，测量完成后依次导出.xlsx文件。
13、优选地，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。
14、优选地，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
5.如权利要求4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，利用连续小波变换可调变的时频窗口，在对损伤膜面振动信号进行时频分析时，时间窗口的宽度跟随频率发生相应的改变；
6.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3中，分别对ResNet50浅层网络和深层网络嵌入注意力机制，完成构建改进ResNet50残差网络模型，具体方法为：
7.如权利要求6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，在Stage2-Stage5均混合嵌入通道注意力机制和空间注意力机制，实现构建改进ResNet50残差网络模型，具体为：
8.如权利要求7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，混合嵌入的注意力机制由通道注意力模块和空间注意力模块2个注意力模块组成，具体方法为：
9.如权利要求8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，
10.如权利要求9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5中，基于改进ResNet50残差网络模型对损伤膜面二维图像进行训练得到预训练模型对不同损伤工况下的膜面振动信号进行分类检测；
...【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。