[发明专利]一种框架结构多节点损伤诊断方法

权利要求书

1.一种框架结构多节点损伤诊断方法，其特征在于，包括以下步骤：

S1)在有限元软件中进行框架的动力分析，确定目标框架结构和损伤模拟方式以及地震激励的形式，按照设置的框架结构损伤工况和采样频率，采集框架结构在地震激励作用下的不同损伤工况时各节点振动加速度数据；

S2)对采集的振动加速度数据进行数据扩充处理，以建立框架结构损伤数据库；框架结构损伤数据库中数据保存为(损伤工况，节点加速度，节点位置编号，地震激励形式)；

S3)将损伤数据库里的样本划分为训练集和测试集，并对训练集和测试集里的样本进行多标签标注；

标签是由多个元素组成的向量，各元素所在位置编号分别对应各节点的位置编号；

元素取值为1时，代表该节点损伤，元素取值为0时，则代表该节点完好；

S4)搭建用于节点损伤诊断的多输出残差卷积神经网络模型；

所述多输出残差卷积神经网络模型的结构如下：

包括输入层，输入层为一个卷积核尺寸设为s×3的卷积层，其中，s对应框架结构的节点总数；

损伤初步特征提取层，包括一个BN层和一个Relu激活函数，以进行损伤特征的初步提取；

损伤深层特征提取层，损伤深层特征提取层为由依次相连的三个由残差块组成的卷积层组组成；

一个平均池化层，以压缩数据和参数数量，减小过拟合的风险；

一个打平层，将前面的输出展开为一个一维向量；

最后分别针对每个节点构建一个全连接层，即采用了s个全连接层；

S5)将训练集和测试集样本数据分别输入到所搭建的多输出残差卷积神经网络模型中，以完成网络模型的训练和动态测试；

对于多输出网络模型的训练损失函数的计算，要先分别计算每个标签的损失函数值，再将所有标签的损失函数值求和，即可得到多输出网络模型的整体损失函数值；

通过Adam算法对网络进行训练，当损失函数值小于设定的阈值时，保存网络模型；

在对网络进行动态测试时，采用绝对匹配率来计算预测准确率，即所有节点的标签预测正确时，则该样本预测正确；

S6)完成训练后的多输出残差卷积神经网络模型可自动从加速度数据中提取损伤位置和损伤程度的敏感信息，并给出框架结构各节点的损伤诊断结果。

2.根据权利要求1所述的框架结构多节点损伤诊断方法，其特征在于，所述步骤4)中每个标签的损失函数值采用交叉熵损失函数计算损失值。

3.根据权利要求1所述的框架结构多节点损伤诊断方法，其特征在于，所述步骤4)中残差块的具体结构为：由两个卷积层组成，且每个卷积层后都连接了一个BN层，两个模块之间采用Relu激活函数。

4.根据权利要求1所述的框架结构多节点损伤诊断方法，其特征在于，所述步骤4)中多输出网络模型的预测准确率的计算，包括：

采用绝对匹配率计算预测准确率，即只有当所有标签均预测正确，才算该样本预测正确；

计算公式为

其中，n表示样本总数，I(·)为指示函数，当真实标签Y_i和预测标签Z_i完全相等时取1，否则取0。