CN109145446B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109145446B
CN109145446B CN201810962487.XA CN201810962487A CN109145446B CN 109145446 B CN109145446 B CN 109145446B CN 201810962487 A CN201810962487 A CN 201810962487A CN 109145446 B CN109145446 B CN 109145446B
Authority
CN
China
Prior art keywords
damage
neural network
convolutional neural
strain energy
modal
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
CN201810962487.XA
Other languages
English (en)
Other versions
CN109145446A (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 CN201810962487.XA priority Critical patent/CN109145446B/zh
Publication of CN109145446A publication Critical patent/CN109145446A/zh
Application granted granted Critical
Publication of CN109145446B publication Critical patent/CN109145446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开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，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应变能，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的单元划分方式计算不同单元在不同阶模态的模态应变能；S6：将S5的模态矢量的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果。本发明提高损伤识别的精度，减少了干扰单元，并且可以识别出损伤程度，单一利用模态应变能不能识别出损伤的程度。

Description

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
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应变能和卷积神经网络的结构损伤识别方法。
背景技术
土木工程结构在长期服役的过程中，很容易发生损伤，因损伤引发的工程事故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应变能的结构损伤别技术，一般是与完好情况的模态应变能做差值，或求变化率来进行损伤识别，存在着识别不准确的缺点，会出现较多的干扰单元，很容易误判，且不能识别结构损伤的程度。
发明内容
为克服现有基于模态应变能的不足，本发明提出了一种新的基于模态应变能和卷积神经网络的结构损伤识别方法。本发明将模态应变能与先进的卷积神经网络相结合，可以克服单一利用模态应变能不能够准确识别结构损伤的缺点，同时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：
一种基于模态应变能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应变能，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不同单元在不同阶模态的模态应变能，形成与S3对应的矩阵数据形式；
S6：将S5的模态矢量的数据矩阵代入到S4的训练后的卷积神经网络，得到结构的损伤结果。
在一种优选的方案中，损伤模拟方法可以是弹性模量折减，或者是模拟缺口。
在一种优选的方案中，所述的不同单元在不同阶模态的模态矢量通过下式进行表达：
Figure BDA0001774126310000021
Figure BDA0001774126310000022
式中，所述的
Figure BDA0001774126310000023
表示损伤前的j单元i阶模态应变能；所述的
Figure BDA0001774126310000024
表示损伤后的j单元i阶模态应变能；所述的{φ}ui表示损伤前的i阶模态矢量；所述的{φ}di表示损伤后的i阶模态矢量；所述的Kj是损伤前和损伤后的结构的第j单元的刚度矩阵。
在一种优选的方案中，所述的Kj通过下式进行表达：
Kj＝LTK'jL
式中，所述的K'j表示局部坐标系中损伤前和损伤后的结构的第j单元的单元刚度矩阵；所述的L表示坐标转换矩阵。
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。
与现有技术相比，本发明技术方案的有益效果是：
本发明显著地提高损伤识别的精度，大大地减少了干扰单元，并且可以大概地识别出损伤程度，单一利用模态应变能不能识别出损伤的程度；同时，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得到提高。
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，一种基于模态应变能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应变能，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；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不同单元在不同阶模态的模态应变能，形成与S3对应的矩阵数据形式；
不同单元在不同阶模态的模态矢量通过下式进行表达：
Figure BDA0001774126310000031
Figure BDA0001774126310000032
式中，
Figure BDA0001774126310000033
表示损伤前的j单元i阶模态应变能；
Figure BDA0001774126310000034
表示损伤后的j单元i阶模态应变能；{φ}ui表示损伤前的i阶模态矢量；{φ}di表示损伤后的i阶模态矢量；Kj通过下式进行表达：
Kj＝LTK'jL
式中，K'j表示局部坐标系中损伤前和损伤后的结构的第j单元的单元刚度矩阵；L通过下式进行表达：
Figure BDA0001774126310000035
K'j通过下式进行表达：
Figure BDA0001774126310000041
S6：将S5的单元的模态矢量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 (4)

1.一种基于模态应变能和卷积神经网络的结构损伤识别方法，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应变能，所得的数据转化为二维矩阵数据形式或者三维矩阵数据形式，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不同单元在不同阶模态的模态应变能，形成与S3对应的矩阵数据形式；
S6：将S5的模态矢量的数据矩阵代入到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；
所述的不同单元在不同阶模态的模态矢量通过下式进行表达：
Figure FDA0004117726200000011
Figure FDA0004117726200000012
式中，所述的
Figure FDA0004117726200000013
表示损伤前的j单元i阶模态应变能；所述的
Figure FDA0004117726200000014
表示损伤后的j单元i阶模态应变能；所述的{φ}ui表示损伤前的i阶模态矢量；所述的{φ}di表示损伤后的i阶模态矢量；所述的Kj是损伤前和损伤后的结构的第j单元的刚度矩阵；
所述的Kj通过下式进行表达：
Kj＝LTK'jL
式中，所述的K'j表示局部坐标系中损伤前和损伤后的结构的第j单元的单元刚度矩阵；所述的L表示坐标转换矩阵。
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S1中通过abaqus模拟构建结构模型。
3.根据权利要求1或2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。
4.根据权利要求3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。
CN201810962487.XA 2018-08-22 2018-08-22 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 Active CN109145446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810962487.XA CN109145446B (zh) 2018-08-22 2018-08-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810962487.XA CN109145446B (zh) 2018-08-22 2018-08-22 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

Publications (2)

Publication Number Publication Date
CN109145446A CN109145446A (zh) 2019-01-04
CN109145446B true CN109145446B (zh) 2023-04-18

Family

ID=64791106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810962487.XA Active CN109145446B (zh) 2018-08-22 2018-08-22 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

Country Status (1)

Country Link
CN (1) CN109145446B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276743A (zh) * 2019-05-14 2019-09-24 广东工业大学 一种基于卷积神经网络的结构损伤程度识别方法
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
CN110414140B (zh) * 2019-07-30 2021-01-29 同济大学 木材损伤的模型训练和测试方法、装置、设备和存储介质
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011127073A1 (en) * 2010-04-05 2011-10-13 Georgia Tech Research Corporation Structural health monitoring systems and methods
CN104123471A (zh) * 2014-07-29 2014-10-29 石家庄铁道大学 重型施工机械重载结构安全评估方法
CN106997410A (zh) * 2017-03-09 2017-08-01 南京航空航天大学 一种基于模态应变能的损伤发生的判断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011127073A1 (en) * 2010-04-05 2011-10-13 Georgia Tech Research Corporation Structural health monitoring systems and methods
CN104123471A (zh) * 2014-07-29 2014-10-29 石家庄铁道大学 重型施工机械重载结构安全评估方法
CN106997410A (zh) * 2017-03-09 2017-08-01 南京航空航天大学 一种基于模态应变能的损伤发生的判断方法

Non-Patent Citations (3)

* 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》;20180420(第02期);参见正文41-46页 *
基于模态应变能和BP神经网络的混凝土框架结构损伤识别;邓旭华等;《交通科学与工程》;20100630(第02期);全文 *
基于模态应变能和神经网络的分步损伤诊断法;彭莉等;《公路与汽运》;20080125(第01期);参见正文117-119页 *

Also Published As

Publication number Publication date
CN109145446A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
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
CN104699606B (zh) 一种基于隐马尔科夫模型的软件系统状态预测方法
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
CN112508105A (zh) 一种采油机故障检测与检索方法
CN106950945B (zh) 一种基于量纲可变型独立元分析模型的故障检测方法
CN108959794A (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN103544554B (zh) 在核电站中评估操作人员的程序遵从度的系统以及方法
CN113592019A (zh) 基于多模型融合的故障检测方法、装置、设备及介质
CN107730097B (zh) 一种母线负荷预测方法、装置及计算设备
CN105574265B (zh) 面向模型检索的装配体模型定量描述方法
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN115375039A (zh) 一种工业设备故障预测方法、装置、电子设备及存储介质
Luo et al. Data missing mechanism and missing data real-time processing methods in the construction monitoring of steel structures
CN116502123A (zh) 一种航空发动机剩余使用寿命无监督跨域预测方法
CN103778306B (zh) 一种基于ei和逐步消减法的传感器优化布设方法
CN106354929B (zh) 基于刚度变化原理的承载结构载荷传递路径可视化方法
CN113591371B (zh) 基于时空关联模型的桥梁集群结构损伤定位方法
CN103984331B (zh) 一种复杂产品装配质量的误差敏感性分析与控制方法
CN115905997B (zh) 基于预测偏差优化的风电机组气象灾害预警方法及系统
Zhang et al. Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model
CN115099129A (zh) 一种基于输入特征误差修正的天然气井产量预测方法
CN107944684B (zh) 数控装备故障组件重要度分析方法和装置
CN111507495B (zh) 缺失的测风数据的预测方法及装置
CN114187751A (zh) 预警系统的适应性评价方法、装置、设备及可读存储介质
CN105654128A (zh) 基于核范数正则低秩编码的风机叶片图像故障识别方法

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