基于TFRP灰度图的WGAN-GP驱动损伤识别方法技术

本发明专利技术的一种基于TFRP灰度图的WGAN‑GP驱动损伤识别方法，本发明专利技术利用无阈值递归图(TFRP)技术通过相空间重构和灰度归一化处理将多通道一维时域样本转化为二维形式的多通道递归矩阵灰度图，从而实现对一维时序数据的升维。相比于单个传感器获得的单通道信号数据，来自多个传感器的多通道数据能够反映结构在多维度上的振动特性，避免因单一来源数据而遗漏重要信息，同时有助于在复杂载荷或边界条件下更准确地判定损伤。在本发明专利技术中引入WGAN‑GP，首先利用无阈值递归图技术获得真实的多通道递归矩阵灰度图样本，进一步地采用WGAN‑GP由真实的多通道递归矩阵灰度图样本生成虚拟样本，从而实现数据样本扩充。最后通过CNN网络模型实现损伤特征识别。

【技术实现步骤摘要】

本专利技术涉及结构损伤特征识别，具体涉及一种基于tfrp灰度图的wgan-gp驱动损伤识别方法。

技术介绍

1、结构的动力学特性可以反映出其健康状况。当结构发生损伤时，其质量和刚度会随之发生变化，这会导致结构动力特性的改变。因此，通过分析结构的固有频率、振型和模态应变能等表征了动力学特性的动力指纹的变化，可以识别出结构内部缺陷。尽管该方法具有理论优势，但在实际应用中容易受到周围环境和荷载的影响，例如风速、温度等影响因素会导致检测精度的下降。这是由于该方法主要适用于线性系统，而实际结构特别是大跨度结构往往具有很强的非线性。深度学习的快速发展为非线性的结构损伤检测提供了新的方案。卷积神经网络（cnn）凭借其卓越的特征提取能力而被广泛应用，与传统神经网络相比，cnn通过增加隐藏层的深度，可以学习到更复杂的特征和模式。利用cnn可以实现对结构健康监测数据和人工生成数据的异常检测，且计算成本较低。用于深度神经网络模型训练的结构动力响应数据大多为加速度信号。研究证明了加速度信号保留了更多的高频成分信息，这些信息通常包含与结构局部损伤相关的敏感特征，能够让神经网络模型更本文档来自技高网...

【技术保护点】

1.一种基于TFRP灰度图的WGAN-GP驱动损伤识别方法，其特征在于，包括以下步骤，

2.根据权利要求1所述的基于TFRP灰度图的WGAN-GP驱动损伤识别方法，其特征在于：所述通过相空间重构将多通道一维实测时域样本转化为距离矩阵，随后对距离矩阵进行灰度归一化得到无阈值灰度递归矩阵，无阈值灰度递归矩阵Ri,j表示为：

3.根据权利要求2所述的基于TFRP灰度图的WGAN-GP驱动损伤识别方法，其特征在于：所述通过相空间重构将多通道一维实测时域样本转化为距离矩阵，随后对距离矩阵进行灰度归一化得到无阈值灰度递归矩阵，最后再通过图像可视化将无阈值灰度递归矩阵转化为二维...

【技术特征摘要】

1.一种基于tfrp灰度图的wgan-gp驱动损伤识别方法，其特征在于，包括以下步骤，

2.根据权利要求1所述的基于tfrp灰度图的wgan-gp驱动损伤识别方法，其特征在于：所述通过相空间重构将多通道一维实测时域样本转化为距离矩阵，随后对距离矩阵进行灰度归一化得到无阈值灰度递归矩阵，无阈值灰度递归矩阵ri,j表示为：

3.根据权利要求2所述的基于tfrp灰度图的wgan-gp驱动损伤识别方法，其特征在于：所述通过相空间重构将多通道一维实测时域样本转化为距离矩阵，随后对距离矩阵进行灰度归一化得到无阈值灰度递归矩阵，最后再通过图像可视化将无阈值灰度递归矩阵转化为二维形式的多通道递归矩阵灰度图样本；还包括，

4.根据权利要求3所述的基于tfrp灰度图的wgan-gp驱动损伤识别方法，其特征在于：确定wgan-gp网络结构，然后将...

【专利技术属性】
技术研发人员：何玮，张靖，张涛，董杰，仝亚辉，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：