CN109115879B - 一种基于模态振型和卷积神经网络的结构损伤识别方法 - Google Patents
一种基于模态振型和卷积神经网络的结构损伤识别方法 Download PDFInfo
- Publication number
- CN109115879B CN109115879B CN201810963049.5A CN201810963049A CN109115879B CN 109115879 B CN109115879 B CN 109115879B CN 201810963049 A CN201810963049 A CN 201810963049A CN 109115879 B CN109115879 B CN 109115879B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- damage
- structural
- structural damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000032823 cell division Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；S2：模拟结构模型在不同单元的若干种结构损伤情况；S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；S4：对卷积神经网络进行训练；S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果。本发明将模态振型处理成卷积神经网络识别图像的数据，同时还可以识别损伤的位置及损伤程度，达到提高损伤识别精度的目的。
Description
技术领域
本发明涉及于土木工程损伤识别领域，特别涉及一种基于模态振型和卷积神经网络的结构损伤识别方法。
背景技术
在我国因结构损伤引发的工程事故屡见不鲜，由此带来的人员伤亡及经济损失惨重，所以对结构的健康监测及损伤检测显得极为重要。目前已存在的基于模态振型变化的结构损伤别技术，单从有限元模拟，就出现了难以准确识别损伤位置的缺点，对于损伤程度的识别就更加难以实现，且在实际应用中存在着测量振型不完备和噪声影响的问题，当缺少主要的损伤模态就难以识别，再者，当损伤发生在结构振型幅值接近于0处时，该类方法失效。
发明内容
为克服现有基于模态振型的方法的不足，本发明提出了一种新的基于模态振型和卷积神经网络的结构损伤识别方法。本发明将模态振型与卷积神经网络相结合，可以克服单一利用模态振型不能够准确识别结构损伤的缺点，本发明将模态振型处理成卷积神经网络识别图像的数据，同时还可以识别损伤的位置及损伤程度，达到提高损伤识别精度的目的。
为解决上述技术问题，本发明的技术方案如下：
一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：
S1：通过软件模拟构建结构模型，并根据结构模型进行单元划分；
S2：模拟结构模型在不同单元的若干种结构损伤情况；
S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；所述的第一阶模态振型是每个单元的质心的主振方向的位移组合；
S4：对卷积神经网络进行训练；
S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；
S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，所述的损伤结果包括结构的损伤的位置和结构的损伤的程度。
在一种优选的方案中，所述的S3的数据转化为二维矩阵数据形式或者三维矩阵数据形式。
在一种优选的方案中，所述的矩阵的元素的数值是对应单元的质心位移数值，若没有对应单元的质心没有发生位移，二维矩阵的元素的数值是0。
在一种优选的方案中，所述的S1中通过abaqus模拟构建结构模型。
在一种优选的方案中，所述的S4中，通过python语言对卷积神经网络进行训练。
在一种优选的方案中，所述的卷积神经网络包括输入层、卷积层、激活函数和连接层。
在一种优选的方案中，所述的损伤模拟方法是弹性模量折减方法或者模拟缺口方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明与用单一的振型进行损伤识别相比，本发明可显著地提高损伤识别的精度，并且可以大概地识别出损伤程度，单一利用振型不能识别出损伤的程度；
本发明与将振型与一般神经网络相结合进行损伤识别相比，一是数据的形式，一般神经网络做一维数据识别，卷积神经网络的输入数据是二位图像形式；二是卷积神经网络相比于一般神经网络的优点，卷积神经网络通过权值共享和部分连接，可以大大地简化网络的复杂程度，提高运算速率，损伤识别的准确性也有提高。
附图说明
图1为本实施例流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于模态振型和卷积神经网络的结构损伤识别方法，包括以下步骤：
S1：通过abaqus软件模拟构建结构模型，并根据结构模型进行单元划分；
S2：模拟结构模型在不同单元的若干种结构损伤情况；
S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为二维矩阵数据形式，作为卷积神经网络的输入；第一阶模态振型是每个单元的质心的主振方向的位移组合；卷积神经网络包括输入层、卷积层、激活函数和连接层；
S4：通过python语言对卷积神经网络进行训练；
S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成二维矩阵数据形式；
S6：将S5的单元质心的二维数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，损伤结果包括结构的损伤的位置和结构的损伤的程度。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于模态振型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：通过软件模拟构建结构模型，并根据结构模型进行单元划分；
S2：模拟结构模型在不同单元的若干种结构损伤情况；
S3：提取结构在自由振动情况下的第一阶模态振型，所得的数据转化为矩阵数据形式，作为卷积神经网络的输入；所述的第一阶模态振型是每个单元的质心的主振方向的位移组合；
S4：对卷积神经网络进行训练；
S5：对结构进行实际测量，并按照S1的单元划分方式测量单元质心的位移信号，形成与S3对应的矩阵数据形式；
S6：将S5的单元质心的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果，所述的损伤结果包括结构的损伤的位置和结构的损伤的程度。
2.根据权利要求1所述的结构损伤识别方法，其特征在于，所述的S3的数据转化为二维矩阵数据形式或者三维矩阵数据形式。
3.根据权利要求2所述的结构损伤识别方法，其特征在于，所述的矩阵的元素的数值是对应单元的质心位移数值，若没有对应单元的质心没有发生位移，二维矩阵的元素的数值是0。
4.根据权利要求1至3中任一权利要求所述的结构损伤识别方法，其特征在于，所述的S1中通过abaqus模拟构建结构模型。
5.根据权利要求4所述的结构损伤识别方法，其特征在于，所述的S4中，通过python语言对卷积神经网络进行训练。
6.根据权利要求1、2、3或5所述的结构损伤识别方法，其特征在于，所述的卷积神经网络包括输入层、卷积层、激活函数和连接层。
7.根据权利要求6所述的结构损伤识别方法，其特征在于，所述的损伤模拟方法是弹性模量折减方法或者模拟缺口方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810963049.5A CN109115879B (zh) | 2018-08-22 | 2018-08-22 | 一种基于模态振型和卷积神经网络的结构损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810963049.5A CN109115879B (zh) | 2018-08-22 | 2018-08-22 | 一种基于模态振型和卷积神经网络的结构损伤识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109115879A CN109115879A (zh) | 2019-01-01 |
| CN109115879B true CN109115879B (zh) | 2020-10-09 |
Family
ID=64860079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810963049.5A Active CN109115879B (zh) | 2018-08-22 | 2018-08-22 | 一种基于模态振型和卷积神经网络的结构损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109115879B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146678A (zh) * | 2019-05-30 | 2019-08-20 | 广东工业大学 | 一种结构损伤检测系统、方法、装置及可读存储介质 |
| CN110472272B (zh) * | 2019-07-01 | 2023-04-07 | 广东工业大学 | 一种基于多参数和卷积神经网络的结构损伤识别方法 |
| CN110598282B (zh) * | 2019-08-28 | 2023-05-23 | 广东工业大学 | 一种基于应变振型和深度学习的结构损伤识别方法 |
| CN112033710B (zh) * | 2020-09-15 | 2022-04-01 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
| CN112528849B (zh) * | 2020-12-09 | 2023-03-24 | 西北工业大学 | 一种基于内积矩阵及深度学习的结构健康监测方法 |
| CN113588780B (zh) * | 2021-06-30 | 2022-12-06 | 西安交通大学 | 一种基于方向小波曲率模态的铝板损伤识别方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012076306A1 (de) * | 2010-12-10 | 2012-06-14 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten modellierung eines technischen systems |
| CN102928247A (zh) * | 2012-10-26 | 2013-02-13 | 重庆大学 | 一种等效模态应变能损伤识别方法 |
| CN103884777A (zh) * | 2014-04-16 | 2014-06-25 | 山东农业大学 | 一种基于小波变换-分形分析的板结构损伤检测方法 |
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN105973554A (zh) * | 2016-05-13 | 2016-09-28 | 河海大学 | 一种抗噪的使用振型检测梁类结构损伤的方法 |
| CN106504248A (zh) * | 2016-12-06 | 2017-03-15 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的车辆损伤判别方法 |
-
2018
- 2018-08-22 CN CN201810963049.5A patent/CN109115879B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012076306A1 (de) * | 2010-12-10 | 2012-06-14 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten modellierung eines technischen systems |
| CN102928247A (zh) * | 2012-10-26 | 2013-02-13 | 重庆大学 | 一种等效模态应变能损伤识别方法 |
| CN103884777A (zh) * | 2014-04-16 | 2014-06-25 | 山东农业大学 | 一种基于小波变换-分形分析的板结构损伤检测方法 |
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN105973554A (zh) * | 2016-05-13 | 2016-09-28 | 河海大学 | 一种抗噪的使用振型检测梁类结构损伤的方法 |
| CN106504248A (zh) * | 2016-12-06 | 2017-03-15 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的车辆损伤判别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于卷积神经网络的桥梁损伤识别方法应用研究;李雪松 等;《青海大学学报》;20180430;第36卷(第2期);第41-46页 * |
| 基于径向基函数神经网络的斜拉桥损伤识别;张刚刚 等;《长安大学学报》;20060131;第26卷(第1期);第49-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109115879A (zh) | 2019-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109115879B (zh) | 一种基于模态振型和卷积神经网络的结构损伤识别方法 | |
| CN109145446B (zh) | 一种基于模态应变能和卷积神经网络的结构损伤识别方法 | |
| CN103116759B (zh) | 一种适用于空间网格结构的损伤识别方法 | |
| CN101673316B (zh) | 基于混合监测来识别需调整索力的支承索的方法 | |
| CN102254177B (zh) | 一种不均衡数据svm轴承故障检测方法 | |
| CN109115877B (zh) | 一种基于dic技术的曲率模态损伤识别方法 | |
| CN106777549B (zh) | 一种面向荷载试验的桥梁多尺度有限元模拟方法 | |
| CN108594660B (zh) | 一种时不变结构的工作模态参数识别方法和系统 | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN101833596A (zh) | 矩形和圆形截面梁类结构两个损伤定量识别的方法 | |
| CN111738996B (zh) | 基于机器学习的桥梁健康监测预警系统 | |
| CN107016166A (zh) | 一种基于模态应变能的新型结构刚度损伤定位方法 | |
| CN109635855A (zh) | 基于自编码器模型的多传感器融合跟踪方法 | |
| US20150073730A1 (en) | Mechanical strain gauge simulation | |
| CN104930980A (zh) | 提取设备和方法 | |
| CN104089791A (zh) | 基于振动的改进损伤定位和损伤程度识别方法 | |
| CN104036085A (zh) | 用于cae仿真分析的复杂型面汽车声学部件的厚度统计方法 | |
| CN102998367B (zh) | 一种基于虚拟派生结构的损伤识别方法 | |
| CN110006526A (zh) | 一种多测点多权重的信息融合算法 | |
| CN105975673B (zh) | 振动型能量采集器的非线性动力学参数辨识方法 | |
| CN116595898B (zh) | 平原河道桥群阻水叠加影响量化分析方法及系统 | |
| CN117421701B (zh) | 一种自升式平台桩腿三维空间姿态分布式监测方法 | |
| CN106226740A (zh) | 远场声源定位系统和方法 | |
| CN114580239B (zh) | 一种考虑不确定性的桥梁损伤识别方法 | |
| CN116306231B (zh) | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |