[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

说明书

本发明提供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，包括如下步骤：S1)搭建数值模型并生成风激励荷载等外激励；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激励荷载等激励加载到数值模型上；S3)将时程加速度响应生成相应递归图样本；S4)对样本进行卷积神经网络的训练和测试。本发明的优点为：用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应生成相应递归图作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。

技术领域

本发明涉及结构健康监测和人工智能技术领域，具体涉及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。

背景技术

目前，结构损伤监测分为结构局部损伤监测和结构整体损伤监测。结构局部损伤监测是利用传感器或者人工方式检查结构局部构件的安全状况；结构整体损伤监测是利用结构位移、自然频率、振型模态、模态曲率等评估结构整体的刚度，对使用情况以及使用性能进行评价。结构整体损伤监测能够更好地反映结构的性能，对于结构管养单位来说也能更好地评估结构整体安全水平。

传统的基于结构动力特性的损伤识别算法通常需要对结构损伤和结构动力的特性关系进行复杂的公式推导，对于不同的结构，动力特性与损伤的关系各不相同。对于复杂结构来说，相关的理论推导会大大提高该方法的使用门槛，并且结构的损伤往往同时影响其基频、模态以及模态曲率等，因此单一地根据某些动力特性进行损伤识别很难得到较好的准确度，且这些特性在提取过程中往往会受到干扰导致失真，损伤识别结果精确度有待提高。

在传统的损失识别算法的基础上，采用较为原始的加速度响应时程数据能更好地避免信息的丢失，但是时程数据对于动力特性的展现不太直接，也有缺陷。

发明内容

本发明的目的是提供一种应用于土木工程领域的、基于结构加速度响应递归图及卷积神经网络的结构整体损伤识别方法。

为了达到上述目的，本发明通过以下技术方案来实现：

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，包括如下步骤：

S1)搭建数值模型并生成风场

搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；

以风荷载为例，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；

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加载到数值模型上

以风荷载为例，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；

S3)将时域加速度响应生成相应的递归图

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，将各点递归图矩阵中的所有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列的对应数值，代表标准化之后样本中第m维，i行j列的值；

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