【技术实现步骤摘要】
本专利技术涉及土木工程结构健康监测、模态力学性质、机器学习等，特别是涉及基于力学增强机器学习的结构模态参数识别方法。
技术介绍
1、结构健康监测在土木工程结构中具有重要的作用，而模态参数识别是从振动数据中得到模态参数，在结构健康监测中扮演了重要作用。结构的模态参数(频率、振型、阻尼比)只和结构的物理参数有关，是反应结构状态的重要指标，如果结构发生损伤，会导致模态参数发生改变。模态参是在结构损伤检测、模型修正和更新、结构安全评定中具有重要的作用。
2、模态参数识别方法包括利用输入和输出的模态参数识别方法和仅利用输出的模态参数识别方法。后者由于不需要人工激励，具有较高的实用性，因而应用更广泛。仅利用输出的模态参数识别方法包括时域方法、频域方法和时频域的方法。时域方法利用结构振动时域数据求解结构模态参数，包括协方差驱动的随机子空间识别(covariance-drivenstochastic subspace identification，ssi-cov)方法、数据驱动的随机子空间识别(data-driven stochastic subspace identification，ssi-data)方法、next-era(thenatural excitation technique and the eigensystem realization algorithm)方法。频域方法利用模态响应在频域出现峰值特点求解模态参数，包括峰值拾取(peakpicking，pp)方法、频域分解法(frequency-domain deco
3、结构模态参数识别是结构动力学的经典反问题，其本质是优化问题。优化算法的能力决定了模态参数的识别能力。近年来，机器学习已逐渐成为各种学科中一种新兴且更有效的方法。机器学习是一种强大的拟合学习算法，即使目标函数是非凸且非平滑的，它也可以找到全局最小值。机器学习在解决和优化土木工程数学模型中扮演着越来越重要的角色。因此结合机器学习的原理，提出了一种力学概念清晰的结构模态参数识别方法，利用结构各阶模态响应时域独立性和结构系统响应时频域稀疏性自动定阶求解，不要任何先验信息，可以得到更多准确的模态参数结果。
技术实现思路
1、本专利技术的目的是为了解决现有的模态参数识别方法力学概念不清晰、需要提前人为确定模态阶次等先验信息的问题，提出了基于力学增强机器学习的结构模态参数识别方法。本专利技术主要实现了基于机器学习和结构模态力学性质的结构模态参数识别方法，即已知传感器的响应如何求解结构各阶频率、阻尼比和振型。
2、本专利技术是通过以下技术方案实现的：本专利技术提出基于力学增强机器学习的结构模态参数识别方法，所述方法包括以下步骤：
3、步骤一、得到桥梁测点数据时域加速度响应数据和结构响应时频域得到的单源点；
4、步骤二、将得到桥梁测点数据时域加速度响应数据和结构响应时频域得到的单源点输入设计好的力学增强机器学习神经网络，利用设计的目标函数进行优化求解，得到结构模态响应和振型；
5、步骤三、提取时域互相关最小化网络第六层的结果即为各阶模态响应q(t)，时域互相关最小化网络六七层之间的权重即为各阶振型系数φ；
6、步骤四、利用模态响应进行傅里叶变换得到结构各阶频率、利用对数衰减技术和曲线拟合得到结构各阶阻尼比。
7、进一步地，所述目标函数为：
8、
9、其中，exp(·)是指数函数，yi是输入的时频域单源点的值，是稀疏性约束神经网络第七层结果，λ是一个常数，||·||f是f范数，是互相关最小化神经网络第六层求互相关结果，i是单位矩阵，q是白化矩阵，是互相关最小化神经网络第六层和第七层之间的权重，v是ryy特征值分解得到的特征向量，y(t)是输入的时域数据。
10、进一步地，所述力学增强机器学习神经网络包括互相关最小化约束神经网络和稀疏性约束神经网络两部分。
11、进一步地，所述稀疏性约束神经网络输入为结构响应时频域的单源点幅值的实部值或虚部值，网络第一层即为输入层，网络2-7层计算方法如下：
12、
13、式中，是第i层神经网络结果，w1(i)是第i层和第i+1层神经网络权重，是第i层神经网络权重，f(·)是激活函数。
14、进一步地，稀疏性约束神经网络第七层求解的是各单源点聚类中心的值，也即各阶模态振型值，各单源点聚类中心的值会传递给互相关最小化约束神经网络。
15、进一步地，所述互相关最小化约束神经网络输入为结构响应时域的数据，网络第一层即为输入层，网络2-7层计算方法如下：
16、
17、式中，是第i层神经网络结果，w1(i)是第i层和第i+1层神经网络权重，是第i层神经网络权重，f(·)是激活函数。
18、进一步地，所述互相关最小化约束神经网络第六层是模态响应的估计值，六七层的权重是各阶振型的估计值。
19、本专利技术提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于力学增强机器学习的结构模态参数识别方法的步骤。
20、本专利技术提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述基于力学增强机器学习的结构模态参数识别方法的步骤。
21、本专利技术与现有技术相比具有如下优点：
22、1、针对传统的模态参数识别方法需要提前人为确定模态阶次等先验信息的问题，提出了一种基于力学增强机器学习的结构模态参数识别技术，利用结构各阶模态响应时域独立性和结构系统响应时频域稀疏性自动定阶求解，不要任何先验信息或复杂的人为操作。
23、2、将结构各阶模态响应时域独立性和结构系统响应时频域稀疏性的力学性质嵌入到神经网络中，可以利用设计的机器学习神经网络自动求解模态响应和振型。
24、3、本专利技术所述方法所使用模态力学性质清晰，可解释性强，不要任何先验信息或复杂的人为操作，可以得到更多准确的模态参数结果。
【技术保护点】
1.基于力学增强机器学习的结构模态参数识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述目标函数为：
3.根据权利要求2所述的方法，其特征在于，所述力学增强机器学习神经网络包括互相关最小化约束神经网络和稀疏性约束神经网络两部分。
4.根据权利要求3所述的方法，其特征在于，所述稀疏性约束神经网络输入为结构响应时频域的单源点幅值的实部值或虚部值，网络第一层即为输入层，网络2-7层计算方法如下：
5.根据权利要求4所述的方法，其特征在于，稀疏性约束神经网络第七层求解的是各单源点聚类中心的值，也即各阶模态振型值，各单源点聚类中心的值会传递给互相关最小化约束神经网络。
6.根据权利要求5所述的方法，其特征在于，所述互相关最小化约束神经网络输入为结构响应时域的数据，网络第一层即为输入层，网络2-7层计算方法如下：
7.根据权利要求6所述的方法，其特征在于，所述互相关最小化约束神经网络第六层是模态响应的估计值，六七层的权重是各阶振型的估计值。
8.一种电子设备，包括存储
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.基于力学增强机器学习的结构模态参数识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述目标函数为：
3.根据权利要求2所述的方法，其特征在于，所述力学增强机器学习神经网络包括互相关最小化约束神经网络和稀疏性约束神经网络两部分。
4.根据权利要求3所述的方法，其特征在于，所述稀疏性约束神经网络输入为结构响应时频域的单源点幅值的实部值或虚部值，网络第一层即为输入层，网络2-7层计算方法如下：
5.根据权利要求4所述的方法，其特征在于，稀疏性约束神经网络第七层求解的是各单源点聚类中心的值，也即各阶模态振型值，各单源点聚类中心的值会传递给互...
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。