[发明专利]一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法

权利要求书

1.一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于包括如下步骤：

S1)搭建数值模型并生成风激励荷载外激励

搭建结构的数值模型，用来模拟特定损伤下结构在风激励荷载外激励下的动力响应；

S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载外激励加载到数值模型上

S3)将时域加速度响应生成相应递归图

将各点的加速度响应生成相应递归图，各点的递归图组合在一起构成三维矩阵，即构成某个损伤下的样本；在进行卷积神经网络训练前，首先对样本进行标准化，将矩阵中m点的加速度时程的递归图i行、j列的数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为

其中，RP_m(i，j)代表m点的加速度时程的递归图i行j列的数值，代表标准化后m点的加速度时程的递归图i行j列的数值；

将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量；

S4)对样本进行卷积神经网络的训练和测试

卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用全连接层，将提取出来的特征映射到目标空间中；

利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。

2.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：

步骤S2)中，卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。

3.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：

步骤S3)中，递归图选用参数过程中采用伪最近邻法确定嵌入维M参数，采用互信息方法确定时间延迟参数τ，最终确定用于分析的递归向量并进行递归图样本的生成。

4.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：

步骤S4)中，卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为其中f_ab代表第a个样本对应的标签上的第b个数值，y_ab代表卷积神经网络在第a个样本的损伤预测向量上的第b个数值。

5.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：

步骤S4)中，卷积层采用Leaky Relu激活函数，公式为其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。

6.如权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：

步骤S1中，根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力；

步骤S2中，随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程；

步骤S4中，将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练与验证。