[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

说明书

本发明公开了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，包括以下步骤：S1选取加速度响应监测点，在各监测点布设加速度传感器；S2获取结构在正常使用状态中n个加速度传感器的监测数据，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；S4将海量正常使用状态中的结构监测数据按照S2所述步骤进行预处理，再输入卷积自编码器进行训练得到深度学习网络文件；S5通过数据重建相关函数评估结构损伤状态。本发明无需对数据进行预分类，实现了利用实时振动监测数据即时量化结构损伤状态，并给出评分。

技术领域

本发明属于结构健康监测振动数据损伤评估领域，具体涉及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。

背景技术

建筑和桥梁的结构安全与损伤评估问题一直是国内外结构安全与防灾减灾工程领域中备受关注的难题。桥梁或建/构筑物在服役过程中由于受到车辆、行人、货物荷载以及台风、地震造成的动态极端作用，其结构内部与表面均不可避免地产生各种宏观或微观的损伤，导致结构内部材料和应力分布等发生劣化或变化。这些不可见的损伤(如裂缝、疲劳断裂等)以及其引发的结构内部变化(如材料性质、结构几何性质等)如果在早期不能及时地被发现并进行有效地修补，将会在局部产生应力集中并加剧结构损伤的发展。因此，建立便捷、高效、实用的结构损伤评估方法，实现结构的损伤状态的有效评估和正常安全使用性能的准确判断尤为重要。

传统的结构评估或鉴定往往依托专业人员现场无损检测法。基于超声波检测、回弹法检测等手段，在借助专业检测设备进行关键构件判别、构件材料局部测定后，结合工程经验与结构模型分析，对鉴定对象的损伤状态进行评估。这类方法对于结构损伤评估具有重要的参考价值，但仍然存在一定的局限性。一方面，受现场环境制约，无损检测法多用于结构表面或近表面的损伤的探测，且单次探测范围很小，难以覆盖所有部位，往往遗漏或忽略了结构内部的损伤；另一方面，传统的评估方法实时性差，往往不能满足确保人员和财产安全的快速应急响应要求。

近年来，计算机科学与传感技术的突破促进了结构健康监测技术的进一步发展，并为基于监测数据快速评估提供了可靠的保证。针对监测系统的海量分散式振动数据，本发明提出了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，能通过振动传感器数据对结构的状态进行快速准确地分析和评估。

集成多个振动传感器的结构健康监测系统会产生海量的结构动力响应数据。在分析这些数据时，传统基于频域与模态的振动数据识别方法往往无法准确地判断结构的损伤状态。其主要原因是这种方法容易受到外界环境干扰，且模态振型参数对结构异常状态不敏感。因此，近年来随着计算机运算能力的提升，对结构的振动分析的探索逐渐趋向于直接对时域数据进行分析。与频域分析相比，时域分析基于实时采集的振动数据，数据变化中保留了结构在极端情况下可能产生的材料、动力与几何非线性变化，数据特征比频域与模态数据更完整。此外，受视觉与声音识别等领域深度学习的启发，近年来国内外学者不断尝试将新一代卷积神经网络方法应用于工程领域的时间序列数据处理等方面。但是，由于工程中结构形式、材料与环境过于复杂，采用深度学习方法分析结构实时振动数据一直是工程结构数据科学领域的难点；其相关方法在结构，尤其像桥梁和建筑等具有较多自由度和约束的结构，整体状态评估方面的应用也鲜有报道。

现有的深度学习方法主要通过将损伤识别问题转化为分类问题，即将获取的振动数据按照损伤程度不同，预先通过人为判别的方式分为几个类别，再通过卷积神经网络进行训练，从而使新的振动数据输入网络后分别计算出该振动形态在上述分类类别的发生概率。虽然这种有监督学习方法可以将结构损伤类别与程度通过分类的方式实现，但是，这一方法是建立在振动数据损伤状态已知或预判的基础上的，而对于损伤状态未知的监测振动数据，这种方法往往呈现出较弱的损伤识别与评估能力。

发明内容