【技术实现步骤摘要】
本专利技术属于桥梁，尤其涉及一种基于深度学习的斜拉桥拉索损伤识别方法、设备及存储介质。
技术介绍
1、斜拉桥是一种典型的组合体系桥梁，主梁自重和活载通过斜拉索传递至主塔，再由主塔最终传递至地基。斜拉索可看作是主梁跨径内的多个弹性支承，从而显著降低了主梁弯矩，减轻了梁体自重，并最终造就了斜拉桥非凡的跨越能力。斜拉索是斜拉桥的主要承重构件，大量研究表明斜拉索是全桥中疲劳寿命最低且最易损坏的构件，损伤概率极大。然而，任一根斜拉索的损伤或断裂，都会造成斜拉桥整体失稳或破坏，严重影响桥梁安全，必须及早发现并开展针对性的修复工作。因此，提出一种高效精准的斜拉桥拉索损伤识别方法具有重要意义。
2、目前，斜拉索损伤检测方法主要依靠人工目测法或桥检车法直接检测，无法得到精确结果，误差较大且容易忽视部分损伤缺陷。人工检测具有耗时长、效率低、漏检率高、主观影响较大，受检测环境影响较大等缺点，且检测精度与稳定性缺乏系统论证。随着人工智能技术的快速发展，对既有桥梁进行健康监测和在线损伤智能识别成为现阶段的研究热点，为探索新的高效检测手段创造了条件。斜拉索损伤识别的核心问题是判断损伤的发生、损伤位置和损伤程度。基于桥梁运营期间车辆荷载作为激励，激发桥梁高阶振型，针对桥梁的动力响应提取损伤特征，可以实现拉索损伤识别。目前，损伤识别方法通常根据振型和频率参数的变化识别结构损伤，或采用小波包分解、小波变化对信号进行处理，但在实际工程中识别精度有待提高，对斜拉桥这种复杂非线性结构损伤识别存在不足。
技术实现思路>
1、本专利技术的目的在于提供一种斜拉桥拉索损伤识别方法、设备及存储介质，以解决传统人工智能识别技术应用于桥梁斜拉索损伤识别时存在识别精度低的问题。
2、本专利技术是通过如下的技术方案来解决上述技术问题的：一种斜拉桥拉索损伤识别方法，包括以下步骤：
3、构建斜拉桥有限元模型；
4、定义拉索的不同损伤工况，所述损伤工况包括拉索的损伤位置和损伤程度；
5、对所述斜拉桥有限元模型施加荷载和不同的损伤工况，并采集各测点的加速度响应信号，得到不同损伤工况下的加速度响应信号；
6、对每条加速度响应信号进行小波包分解与重构，得到s个频带信号；
7、将每个频带信号转换成递归图，由所有递归图及对应的损伤工况构成样本数据集；
8、构建卷积神经网络模型，采用所述样本数据集对所述卷积神经网络模型进行训练和验证，得到目标损伤识别模型；
9、获取斜拉桥的实测加速度响应信号，对所述实测加速度响应信号进行小波包分解与重构，得到实测频带信号；将每个实测频带信号转换成实测递归图，利用所述目标损伤识别模型对所述实测递归图进行识别。
10、进一步地，对所述斜拉桥有限元模型中的拉索进行编号，左跨拉索从右至左的编号为zs1～zs23；右跨拉索从右至左的编号为ys1～ys23；中跨拉索从左右两侧至中间的编号为zm1～zm23、ym1～ym23；
11、所述损伤工况的数量为10，其中第一种损伤工况为无损伤状态，第二种损伤工况为zm23拉索损伤10％，第三种损伤工况为zm23拉索损伤20％，第四种损伤工况为zm12拉索损伤10％，第五种损伤工况为zm12拉索损伤20％，第六种损伤工况为zs10拉索损伤10％，第七种损伤工况为zs10拉索损伤20％，第八种损伤工况为zm23拉索损伤10％、zm12拉索损伤20％，第九种损伤工况为zm23拉索损伤20％、zs10拉索损伤10％，第十种损伤工况为zm12拉索损伤10％、zs10拉索损伤20％。
12、进一步地，在对每条加速度响应信号进行小波包分解与重构之前，所述识别方法还包括：
13、对每条加速度响应信号施加不同的噪声，得到不同噪声下的加速度响应信号。
14、进一步地，对每条加速度响应信号进行小波包分解与重构，具体包括：
15、对每条加速度响应信号进行r层小波包分解，得到2r个频带信号；
16、计算每个频带信号的能量，进而得到每个频带信号的能量比谱；
17、从2r个频带信号中选取能量比谱较大的s个频带信号，其中2≤s≤2r。
18、进一步地，将每个频带信号转换成递归图，具体包括：
19、采用相空间重构法对所述频带信号进行相空间重构，得到重构相空间；其中，所述重构相空间中的相点表示为：
20、
21、
22、其中，为频带信号x＝{x1,x2,…,xi,…,xn}的重构相空间，xi表示频带信号中时刻i的数值，为重构相空间中时刻i的一个相点，n表示频带信号的数据点数量，n为相空间轨迹长度或状态向量的个数，m为嵌入维数，τ为延迟时间；
23、根据重构相空间中的相点计算递归矩阵，所述递归矩阵中的元素表示为：
24、
25、其中，i＝1,2,…,n，j＝1,2,…,n，θ(·)为heaviside函数：θ(x＞0)＝1,θ(x≤0)＝0，为临界距离；
26、根据所述递归矩阵生成递归图。
27、进一步地，采用最临近误差法确定嵌入维数m，具体包括：
28、步骤a1：对嵌入维度m进行初始化；
29、步骤a2：对于相空间内的所有点，计算出最邻近点的欧式距离，具体计算公式为：
30、
31、其中，表示m维相空间的第n个向量，表示m+1维相空间的第n个向量，和分别表示和在相空间内的最邻近点，d(n,m)表示欧氏距离；
32、步骤a3：如果d(n,m)大于设定阈值，则点被认定为邻接误点；
33、步骤a4：增大嵌入维数m的值，重复步骤a3和步骤a4，直到邻接误点的数量接近于零，进而确定嵌入维数m的值。
34、进一步地，采用选择互信息法确定延迟时间τ，具体包括：
35、步骤b1：构建延迟时间的平均自相关函数，具体表达式为：
36、
37、其中，i(τ)为延迟时间τ的平均自相关函数，pi和pj分别为频带信号的幅值位于第i段和第j段内的概率；pij(t)表示频带信号中一点的幅值位于第i段且另外一点的幅值位于第j段内的联合概率；
38、步骤b2：利用所述平均自相关函数计算出频带信号的平均互信息，进而得到互信息曲线；
39、步骤b3：在所述互信息曲线上第一个局部最小值所对应的时间点为延迟时间τ。
40、进一步地，所述卷积神经网络模型采用vgg16模型，所述vgg16模型包括1个输入层、13个卷积层、1个激活层、5个池化层、3个全连接层和1个输出层；所述5个池化层分别位于卷积层与卷积层之间以及卷积层与全连接层之间。
41、基于同一构思，本专利技术还提供了一种终端设备，所述设备包括：
42、存储器，用于存储计算机程序；
43、处理器，用于执行所述计算机程序时实现如上所述的斜拉桥拉索损伤识别方法。本文档来自技高网...
【技术保护点】
1.一种斜拉桥拉索损伤识别方法，其特征在于，所述识别方法包括以下步骤：
2.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，对所述斜拉桥有限元模型中的拉索进行编号，左跨拉索从右至左的编号为ZS1～ZS23；右跨拉索从右至左的编号为YS1～YS23；中跨拉索从左右两侧至中间的编号为ZM1～ZM23、YM1～YM23；
3.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，在对每条加速度响应信号进行小波包分解与重构之前，所述识别方法还包括：
4.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，对每条加速度响应信号进行小波包分解与重构，具体包括：
5.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，将每个频带信号转换成递归图，具体包括：
6.根据权利要求5所述的斜拉桥拉索损伤识别方法，其特征在于，采用最临近误差法确定嵌入维数m，具体包括：
7.根据权利要求5所述的斜拉桥拉索损伤识别方法，其特征在于，采用选择互信息法确定延迟时间τ，具体包括：
8.根据权利要求1～7中任一项所
9.一种终端设备，其特征在于，所述设备包括：
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～8中任一项所述的斜拉桥拉索损伤识别方法。
...【技术特征摘要】
1.一种斜拉桥拉索损伤识别方法，其特征在于，所述识别方法包括以下步骤：
2.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，对所述斜拉桥有限元模型中的拉索进行编号，左跨拉索从右至左的编号为zs1～zs23；右跨拉索从右至左的编号为ys1～ys23；中跨拉索从左右两侧至中间的编号为zm1～zm23、ym1～ym23；
3.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，在对每条加速度响应信号进行小波包分解与重构之前，所述识别方法还包括：
4.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，对每条加速度响应信号进行小波包分解与重构，具体包括：
5.根据权利要求1所述的斜拉桥拉索损伤识别方法，其特征在于，将每个频带信号转换成递归图，具体包括：
6.根据权...
【专利技术属性】
技术研发人员：肖云华，钟开建，何驰，周适，全孝，陶新华，成龙，
申请(专利权)人：中铁五局集团机械化工程有限责任公司，
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。