[发明专利]一种基于空间-频率信息的结构整体损伤识别方法

摘要

本发明提供一种基于空间‑频率信息的结构整体损伤识别方法，包括如下步骤：S1)搭建数值模型并生成风场；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；S3)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上；S4)对样本进行标准化；S5)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转换到频域上作为分析对象，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。

主权项

1.一种基于空间‑频率信息的结构整体损伤识别方法，其特征在于包括如下步骤：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；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)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上将各点的加速度响应进行快速傅立叶变换并转换到频域上，将每一点变换后的各个频率下FFT结果的复数的模列成一行，各点的数值组合在一起构成矩阵，即构成某个损伤下的样本；S4)对样本进行标准化将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，F_m(ω_n)代表m点的加速度时程的傅立叶变换后频谱上频率ω_n对应值的模，代表标准化之后样本中第m行、n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；S5)对样本进行卷积神经网络的训练和测试将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练与验证；卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中；利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。