[发明专利]一种基于多参数和卷积神经网络的结构损伤识别方法

权利要求书

1.一种基于多参数和卷积神经网络的结构损伤识别方法，其特征在于，包括以下步骤：

S1：输入基础钢架结构图片，对所述基础钢架结构图片进行数据采集并组合为多参数数据，以矩阵数据形式将多参数数据转换为基础钢架结构数据矩阵；其中，对基础钢架结构图片进行采集的数据包括结构中每一根杆的位移及结构的前n阶固有频率，其中n为正整数；

S2：将所述基础钢架结构数据矩阵通过进行不同位置杆的损伤模拟，得到对应的损伤位置向量，组成训练集和测试集；

S3：构建卷积神经网络模型，将所述训练集输入卷积神经网络中进行训练，保存完成训练的卷积神经网络；

S4：将所述测试集输入卷积神经网络，若输出的识别结果对应的误差值收敛，则卷积神经网络完成训练并执行S5步骤，否则跳转执行S3步骤；

S5：对待结构损伤识别的图片进行数据采集并组合为多参数数据后输入完成训练的卷积神经网络中，其输出的结果即为结构损伤识别结果。

2.根据权利要求1所述的结构损伤识别方法，其特征在于：所述S1步骤中的基础钢架结构数据矩阵的大小为n×(n+1)。

3.根据权利要求2所述的结构损伤识别方法，其特征在于：所述S2步骤中，采用有限元法对不同位置杆的不同程度的损伤进行模拟。

4.根据权利要求3所述的结构损伤识别方法，其特征在于：所述损伤位置向量为n²维向量。

5.根据权利要求3所述的结构损伤识别方法，其特征在于：所述训练集与测试集的数据占比为9：1。

6.根据权利要求1所述的结构损伤识别方法，其特征在于：所述卷积神经网络包括输入层、卷积层、池化层、全连接层、回归层。

7.根据权利要求6所述的结构损伤识别方法，其特征在于：所述S3步骤中，其具体步骤如下：

将训练集逐一输入卷积神经网络中，经过若干次卷积和池化处理后，将最后一次卷积操作得到的特征矩阵展开并作为全连接层的输入，然后将全连接层的输出作为回归层的输入，回归层输出代表损伤位置的向量；将所述代表损伤位置的向量与所输入的训练集中实际损伤位置进行对比并计算误差，调整卷积神经网络中各层的权重系数并重复S3步骤至所述误差最小化，保存完成训练的卷积神经网络。