[发明专利]基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法

权利要求书

1.一种基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法，其特征在于，包括以下步骤：

S1，对监测结构进行建模分析并结合经验选取加速度响应监测点，根据结构的动力特性与结构激励类别在各监测点布设加速度传感器，以监测结构在特性位置、特定方向的振动加速度数据；

S2，获取监测结构在使用中的n个分散式加速度传感器的监测数据源，记作数据源1、数据源2、…数据源n，并进行数据预处理，形成用于深度学习网络训练的数据集；

S3，搭建适用于步骤S2所述数据集的卷积自编码深度学习网络，建立卷积自编码器，具体是：

采用卷积自编码网络，通过卷积编码器对分散式振动数据进行扫描与特征提取，将分散式振动数据压缩后再通过反卷积解码器实现压缩数据的重建；

选取损失函数并将步骤S2中所述数据集中的数据进行多次训练与误差传递，调整卷积自编码深度学习网络中各项权重系数，最终获得具有泛化能力并且掌握了输入数据集内在规律的深度学习网络；

S4，将海量正常使用状态中的结构监测数据按照步骤S2进行预处理，再输入卷积自编码器进行训练得到卷积自编码器深度学习网络文件；

随着日常运营期逐年增长，正常数据的数量与规模随之不断扩充，通过多次调用该网络文件进行二次训练与优化，最终得到具有广泛适应性的卷积自编码网络；

S5，针对结构在日常服役期间传感器监测的数据，首先用步骤S2方法进行预处理，再利用已训练的卷积自编码器深度学习网络，通过数据重建相关函数评估结构损伤状态。

2.根据权利要求1所述基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法，其特征在于，步骤S2中的数据预处理包括数据分割、数据归一化处理与数据随机排列，具体是：

n个加速度传感器在无损状态下监测的数据可表示为公式(1).

Und＝[u₁ u₂ ... u_n] (1)

其中，每个加速度传感器记录了Na个加速度数据，将Na条加速度数据根据采样频率划分为Ng条包含了Ns个加速度数据的振动数据信号段，即如公式(2)所示，Ns不小于采样频率；

将每条加速度数据u_i,j进行归一化处理，对每个传感器所对应的Ng条加速度信号进行随机排序生成新的u_i与Und，即可完成训练数据集的预处理。

3.根据权利要求1所述基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法，其特征在于，步骤S3所述深度学习网络的数据结构的特征包括：

1)采用一维卷积神经网络作为基本数据处理结构；

2)输入、输出层的数据的张量尺寸均为1×Ns，前者为真实值，用张量表示记为x，后者为预测值，用张量表示记为r；

3)卷积编码层通过3次卷积核扫描与下采样工作对数据进行压缩与特征提取，压缩后张量尺寸为L×Nc，其中L≥2、Nc＜Ns；

4)反卷积解码层通过3次转置卷积核扫描与上采样工作，将压缩数据进行重建，最终输出与输入层维度、尺寸一致的张量数据。

4.根据权利要求1所述基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法，其特征在于，步骤S4中，预处理后的数据训练具体包括以下：

定义预测值张量r与真实值张量x的损失函数，如公式(3)所示，

式中：r表示预测值张量，x表示真实值张量，N表示张量r、x的数据长度，x_i表示张量x中的第i个元素，x表示张量x的算术平均值，r_i表示张量r中的第i个元素，r表示张量r的算术平均值；

公式(3)由2项相加组成，前者为均方误差函数，目的是减小预测值与真实值的误差；后者为预测值与真实值的相关函数，在与1作差后，该项随着预测值张量r逐渐接近于真实值张量x的过程由1趋向于0；

相关函数将步骤S2中所述数据集中各条加速度数据输入上述卷积自编码网络，并通过Adam优化算法对网络中的权重参数进行调整优化，当损失函数loss小于0.1时，即完成该网络的训练，训练后得到卷积自编码器深度学习网络文件。

5.根据权利要求1所述基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法，其特征在于，步骤S5具体包括以下步骤：

先根据步骤S2生成数据集，通过上述深度学习网络压缩并重建数据，对比作为重建的预测值张量r与作为重建的真实值张量x得到相关函数Cor，将相关函数Cor作为输入数据安全状态的评分值，n个传感器监测重建率的平均值即为该结构的综合安全概率，结构状态改变越多、损伤越严重，综合安全评分越低，相关函数Cor如式(4)所示，

式中，x_i表示张量x中的第i个元素，表示张量x的算术平均值，r_i表示预测值张量r中的第i个元素，表示预测值张量r的算术平均值。