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 PDF

Info

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 damage
structural
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
Application number
CN201810963049.5A
Other languages
English (en)
Other versions
CN109115879A (zh
Inventor
陈贡发
龚盼盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810963049.5A priority Critical patent/CN109115879B/zh
Publication of CN109115879A publication Critical patent/CN109115879A/zh
Application granted granted Critical
Publication of CN109115879B publication Critical patent/CN109115879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于模态振型和卷积神经网络的结构损伤识别方法
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。
CN201810963049.5A 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 Active CN109115879B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN105975749B (zh) 一种轴承健康评估与预测的方法及系统
CN101476989B (zh) 基于混合监测的索结构中索系统的递进式健康监测方法
Liu et al. Data anomaly detection for structural health monitoring using a combination network of GANomaly and CNN
CN114970715B (zh) 小样本及不平衡数据约束下的变工况故障诊断方法及系统
CN109115877B (zh) 一种基于dic技术的曲率模态损伤识别方法
CN111691679B (zh) 基于数字孪生的预应力钢结构智能张拉方法
CN106777549B (zh) 一种面向荷载试验的桥梁多尺度有限元模拟方法
Li et al. Structural health monitoring of building structures with online data mining methods
CN102829967A (zh) 一种基于回归模型系数变化的时域故障识别方法
CN106021772B (zh) 一种基于区间集合包络函数的服役结构静态等效可靠性评价方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN110398775B (zh) 隧道突涌水灾害微震事件信号波动初至拾取方法及系统
US20150073730A1 (en) Mechanical strain gauge simulation
CN116756563A (zh) 基于边缘计算的桥梁健康监测多采集仪数据预处理方法
CN115994320A (zh) 一种智能摩擦摆隔震支座及状态监测与故障诊断系统
Jin et al. Structural damage recognition based on filtered feature selection and convolutional neural network
CN201628545U (zh) 空间平面平整度的测量装置
CN109341989A (zh) 一种能够剔除车辆动力效应的桥梁影响线识别方法
CN112632469A (zh) 业务交易数据的异常检测方法、装置及计算机设备
CN105510891A (zh) 针对卫星合成孔径雷达的在轨模态辨识方法
CN106226740A (zh) 远场声源定位系统和方法
Zhang et al. Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model
CN116757085A (zh) 基于残差连接卷积循环网络的冲击荷载作用位置反演方法

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