CN111753776B - 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 - Google Patents

Abstract

本发明公开了基于回声状态与多尺度卷积联合模型的结构损伤识别方法，基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强；回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断。本发明能够有效地提取结构振动响应数据之间的时间先后依赖性和空间相关性，从而准确地判别结构是否损伤以及损伤的程度，该方法科学高效；能够实时估计结构的损伤性质，掌握结构安全状态，预防灾害事故发生，保证了结构工程运营的安全。

Description

基于回声状态与多尺度卷积联合模型的结构损伤识别方法

技术领域

本发明涉及一种结构工程及安全监测的方法，具体涉及一种基于回声状态与多尺度卷积联合模型的结构损伤识别方法。

背景技术

随着我国经济的快速发展，国内建造了大量桥梁、高层建筑、海洋平台、水利设施、航空飞机等重要结构工程。这些结构工程具有服役环境复杂多变、体积庞大等特点。其在几十年甚至几百年的不间歇运行期间，由于地震、外界环境的腐蚀、自身材料的老化等自然因素的影响，或是由于荷载疲劳作用、监管不力、设计缺陷等人为因素影响，很容易使结构出现局部损伤、承载力降低等问题，恶劣情况下，可能引发坍塌等灾难性事故。这些影响着结构工程的健康以及正常使用。对此结构损伤识别就显得尤为必要和关键。

目前损伤识别方法中多数方法存在以下几个问题亟需解决：(1)通常只考虑了结构振动响应数据在时间维度或者空间维度单方面的特性，从而对时间或者空间特征的提取能力较弱。为进一步提升特征提取能力，需要同时考虑时空维度特征的同一表征；(2)在实际数据采集和进行方法研究过程中，由于实际结构损伤演化缓慢，需要长周期的、连续的监测，而且很难采集到负样本，存在着数据不均衡性，故实际数据很难直接使用。在理论方法研究中，通常是基于有限元仿真环境或者实验环境获取监测数据，但仿真模型和实验室实桥模型数据连续采集的时间较少，样本数量也较少。为了获取更多样本数据，需要对已有数据进行合理的增强操作，以使神经网络模型更好泛化。合理的样本切分有助于神经网络的训练，进而对结构损伤进行识别。因此，如何在仿真和实验室实桥模型数据基础上构建更多的样本这一问题亟需解决；(3)浅层神经网络模型由于模型深度不够，对特征的提取能力较弱，从而损伤识别精度较低；深层神经网络模型随着模型深度的增加，易导致网络梯度消失或计算复杂。因此，亟需引入新的时效性较高的结构损伤识别方法对结构状态进行判定。

综上所述，如何有效地提取结构振动响应数据之间的时间前后依赖性和空间相关性，并综合时间前后依赖性和空间相关性进行损伤识别，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题包括：如何有效地提取结构振动响应数据之间的时间前后依赖性和空间相关性，并综合时间前后依赖性和空间相关性进行损伤识别。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于回声状态与多尺度卷积联合模型的结构损伤识别方法，包括：

S1、利用多个设置在不同位置的传感器采集结构振动响应信息；

S2、基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强；

S3、增强后的每个传感器采集的结构振动响应信息输入回声状态网络和多尺度卷积神经网络联合模型；

S4、回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断。

优选地，步骤S2包括：

S201、对结构振动响应信息进行快速傅里叶变换得到结构基频f_max；

S202、基于下式计算滑动窗口窗长m的取值范围并完成取值：

式中，f_s表示信号的采样频率；

S203、将结构振动响应信息用窗长为m的滑动窗口按时间先后以预设步长移动，依次截取得到全部样本。

优选地，步骤S4包括：

S401、对样本进行降噪及归一化处理；

S402、利用回声状态网络提取时序序列的时间前后依赖性特征；

S403、利用多尺度卷积神经网络提取时序序列的空间相关性特征。

优选地，回声状态网络和多尺度卷积神经网络联合模型中，回声状态网络包括作为输入端的储备池及作为输出端的维度转换层，维度转换层包括两个第一全连接层；多尺度卷积神经网络包括作为输入端的多尺度卷积层及作为输出端的全局最大池化层；回声状态网络和多尺度卷积神经网络的输出端分别与特征融合层输入端相连，特征融合层的输出端通过两个依次连接的第二全连接层后与分类器相连。

优选地，回声状态网络和多尺度卷积神经网络联合模型的训练方法包括：

获取训练样本以及验证样本；

将训练样本输入回声状态网络和多尺度卷积神经网络联合模型，回声状态网络和多尺度卷积神经网络联合模型的参数按照优化值初始化；

通过反向传播训练模型，将每次迭代训练的训练样本划分为若干个小批量样本进行训练；

计算小批量样本的损失函数；

将验证样本划分为若干个小批量样本，用验证样本的小批量样本进行验证；

每一轮迭代完成，计算每个小批量样本的平均损失函数，利用平均损失函数学习更新输入回声状态网络和多尺度卷积神经网络联合模型中的权值；

直到迭代次数达到预设迭代次数，完成输入回声状态网络和多尺度卷积神经网络联合模型的训练。

与现有技术相比，本发明的有益效果包括：

通过本发明公开的基于回声状态与多尺度卷积联合模型的结构损伤识别方法能够有效地提取结构振动响应数据之间的时间先后依赖性和空间相关性，从而准确地判别结构是否损伤以及损伤的程度，该方法科学高效；能够实时估计结构的损伤性质，掌握结构安全状态，预防灾害事故发生，保证了结构工程运营的安全。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明公开的基于回声状态与多尺度卷积联合模型的结构损伤识别方法的方法流程图；

图2为结构振动响应信息的时序自相关系数随滞后系数变化的示意图；

图3为本发明的基于滑动窗口重叠的数据增强结构示意图；

图4为本发明的回声状态网络与多尺度卷积神经网络联合模型的结构示意图；

图5为本发明中利用遗传算法优化网络储备池超参数的流程图；

图6为本发明利用回声状态网络和多尺度卷积神经网络联合模型对结构当前损伤状态进行判断的流程示意图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，为本发明公开的基于回声状态与多尺度卷积联合模型的结构损伤识别方法，包括：

S1、利用多个设置在不同位置的传感器采集结构振动响应信息；

S2、基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强；

S3、增强后的每个传感器采集的结构振动响应信息输入回声状态网络和多尺度卷积神经网络联合模型；

S4、回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断。

如图2所示，以Benchmark有限元仿真数据为例，从时间和空间维度分析结构振动响应信息的特性。将加速度测点获取的时间序列依据滞后k可拆分为两个子时间序列，分别表示为n_t＝(P₁,P₂,...,P_t,...,P_g-k)与n_t+k＝(P_k+1,P_k+2,...,P_t+k,...,P_g)。通过时间序列的k阶自相关系数的计算公式如下：

其中，μ表示时序的均值；E[(n_t-μ)(n_t+k-μ)]表示滞后k的自协方差，σ表示时序的方差；ρ_k表示时序的k阶自相关系数。

进一步地，由相关系数与相关程度的对应关系表(Interpretation of thecorrelation coefficient:a basic review)，得出同一传感器(测点)采集的结构振动响应信息在时序上存在一定的相关性，且相关性介于弱相关与强相关之间，表明结构振动响应信息存在一定的时间前后依赖性。然后通过皮尔逊(Pearson)相关系数计算不同传感器采集的结构振动响应信息之间的相关性，公式如下：

其中，μ_i与μ_j分别表示序列n_i与n_j各自的均值；E[(n_i-μ_i)(n_j-μ_j)]表示序列n_i与n_j的协方差，σ_i与σ_j分别表示序列n_i与n_j各自的方差；ρ_i,j表示序列的相关系数。

进一步由相关系数与相关程度的对应关系可知，这些测点间表现为超强相关，说明不同测点之间存在相互影响。因此，结构振动响应信息在空间维度的不同位置的传感器之间具有一定相关性。

然而，现有技术中，通常只考虑了结构振动响应数据在时间维度或者空间维度单方面的特性，由于考虑的特征单一，所以最终的损伤识别结果精度较低。本发明综合考虑了每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征，能够准确地判别结构是否损伤以及损伤的程度，该方法科学高效；能够实时估计结构的损伤性质，掌握结构安全状态，预防灾害事故发生，保证了结构工程运营的安全。

如图2所示，在实际数据采集和进行方法研究过程中，由于实际结构损伤演化缓慢，需要长周期的、连续的监测，而且很难采集到负样本，存在着数据不均衡性，故实际数据很难直接使用。在理论方法研究中，通常是基于有限元仿真环境或者实验环境获取监测数据，但仿真模型和实验室实桥模型数据连续采集的时间较少，样本数量也较少。因此，为了获取更多样本数据，本发明需要对已有数据进行合理的增强操作，从而增加样本数，以使神经网络模型更好泛化。合理的样本切分有助于神经网络的训练，进而对结构损伤进行识别。

具体实施时，步骤S2包括：

S201、对结构振动响应信息进行快速傅里叶变换得到结构基频f_max；

对结构振动响应信息进行快速傅里叶变换，求得结构基频。绘制变换后的幅值-频率曲线图，从频谱图中可直观得到结构的基频大小，即幅值最大值所对应的频率则为所求的基频。在步骤S201中，将每个传感器采集的数据排列好之后，统一利用滑动窗口重叠技术进行增强。

S202、基于下式计算滑动窗口窗长m的取值范围并完成取值：

式中，f_s表示信号的采样频率；

本发明中，工作人员预先设置采样频率。传感器按照预设的采样频率采样。

S203、将结构振动响应信息用窗长为m的滑动窗口按时间先后以预设步长移动，依次截取得到全部样本。

对于步长的确定，可在窗长范围值内设置不同的步长值，通过大量实验，验证不同步长取值对结构损伤识别准确率的影响，从而选取准确率最高值对应的步长值为实验数据的最佳值。

具体实施时，步骤S4包括：

S401、对样本进行降噪及归一化处理；

降噪处理的公式为：

y(ji)＝med[P(ji-N),…,P(ji),…,P(ji+N)]，

式中，P(ji)为原始未排序结构振动响应信息的中值，med为原始结构振动响应信息按照从小到大或者从大到小排序后的中值。y(ji)为第i个传感器采集的数据在中值j处的中值滤波输出值。用y(ji)代替P(ji)值，即可得到新的结构振动响应信息矩阵X。

将降噪得到的结果X进行归一化处理，公式为：

式中，X为降噪处理后的数据，X_min和X_max为数据中的最小值和最大值，S为归一化处理后的数据。

通过上式将其归一化到区间[0,1]范围内，保证了实际的结构振动响应信息各个维度都中心化为0，都在同一个区间范围内，便于比较与分析。

S402、利用回声状态网络提取时序序列的时间前后依赖性特征；

本发明中，利用回声状态网络储备池的动态记忆能力和非线性建模能力来提取时序序列的时间前后依赖性特征。

S403、利用多尺度卷积神经网络提取时序序列的空间相关性特征。

本发明中，利用多尺度卷积神经网络的空间捕捉能力来处理结构振动响应信息的相关性特征，为增强网络模型对空间相关性的提取能力，引入多尺度卷积因子，通过不同尺度大小的卷积核来提取加速度传感器测点之间的空间相关性

如图4所示，具体实施时，由于结构健康监测感知数据之间具有时序前后依赖性和空间相关性的特性，而损伤识别的核心就是有效地提取数据之间的空间相关性和长短时间依赖性。面向结构振动响应的多变量时间序列数据的时空相关性分析。从时间维度上，通过自相关系数来确定加速度传感器同一测点的时序所具有的前后依赖性强弱；从空间维度上，通过相关系数来确定加速度传感器不同测点在空间所具有的相关性强弱，从而明确了振动响应信息同时存在两个维度的相关性。

此外，通过浅层回声状态网络储备池的动态记忆能力和非线性建模能力来提取时序数据的时间前后依赖特征；通过深层多尺度卷积神经网络的空间捕捉能力来处理结构振动响应信息的相关性特征，为增强网络模型对空间相关性的提取能力，引入多尺度卷积因子，不同尺度大小的卷积核用来提取加速度传感器测点之间的空间相关性。

基于以上，提出了一种回声状态网络与多尺度卷积神经网络的联合神经网络模型，不仅克服了浅层模型特征提取的不足，还提升了深层模型的识别精度和训练效率。

回声状态网络和多尺度卷积神经网络联合模型中，回声状态网络包括作为输入端的储备池及作为输出端的维度转换层，维度转换层包括两个第一全连接层；多尺度卷积神经网络包括作为输入端的多尺度卷积层及作为输出端的全局最大池化层；回声状态网络和多尺度卷积神经网络的输出端分别与特征融合层输入端相连，特征融合层的输出端通过两个依次连接的第二全连接层后与分类器相连，从而实现结构损伤识别的分类。。

如图5所示，储备池超参数通过遗传算法寻优，其余超参数通过网格搜索法寻优。

具体实施时，回声状态网络和多尺度卷积神经网络联合模型的训练方法包括：

获取训练样本以及验证样本；

将训练样本输入回声状态网络和多尺度卷积神经网络联合模型，回声状态网络和多尺度卷积神经网络联合模型的参数按照优化值初始化；

本发明中，根据基于遗传算法的储备池超参数优化方法确定

通过反向传播训练模型，将每次迭代训练的训练样本划分为若干个小批量样本进行训练；

计算小批量样本的损失函数；

将验证样本划分为若干个小批量样本，用验证样本的小批量样本进行验证；

每一轮迭代完成，计算每个(训练样本对应的)小批量样本的平均损失函数，利用平均损失函数学习更新输入回声状态网络和多尺度卷积神经网络联合模型中的权值；

直到迭代次数达到预设迭代次数，完成回声状态网络和多尺度卷积神经网络联合模型的训练。

如图6所示，还可以采用测试样本对已经完成训练的回声状态网络和多尺度卷积神经网络联合模型进行测试。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (2)

1.基于回声状态与多尺度卷积联合模型的结构损伤识别方法，其特征在于，包括：

S1、利用多个设置在不同位置的传感器采集结构振动响应信息；

S2、基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强；步骤S2包括：

S201、对结构振动响应信息进行快速傅里叶变换得到结构基频f_max；

S202、基于下式计算滑动窗口窗长m的取值范围并完成取值：

式中，f_s表示信号的采样频率；

S203、将结构振动响应信息用窗长为m的滑动窗口按时间先后以预设步长移动，依次截取得到全部样本；

S3、增强后的每个传感器采集的结构振动响应信息输入回声状态网络和多尺度卷积神经网络联合模型；

S4、回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断；回声状态网络和多尺度卷积神经网络联合模型中，回声状态网络包括作为输入端的储备池及作为输出端的维度转换层，维度转换层包括两个第一全连接层；多尺度卷积神经网络包括作为输入端的多尺度卷积层及作为输出端的全局最大池化层；回声状态网络和多尺度卷积神经网络的输出端分别与特征融合层输入端相连，特征融合层的输出端通过两个依次连接的第二全连接层后与分类器相连；步骤S4包括：

S401、对样本进行降噪及归一化处理；

S402、利用回声状态网络提取时序序列的时间前后依赖性特征；

S403、利用多尺度卷积神经网络提取时序序列的空间相关性特征。

2.如权利要求1所述的基于回声状态与多尺度卷积联合模型的结构损伤识别方法，其特征在于，回声状态网络和多尺度卷积神经网络联合模型的训练方法包括：

获取训练样本以及验证样本；

将训练样本输入回声状态网络和多尺度卷积神经网络联合模型，回声状态网络和多尺度卷积神经网络联合模型的参数按照优化值初始化；

通过反向传播训练模型，将每次迭代训练的训练样本划分为若干个小批量样本进行训练；

计算小批量样本的损失函数；

将验证样本划分为若干个小批量样本，用验证样本的小批量样本进行验证；

每一轮迭代完成，计算每个小批量样本的平均损失函数，利用平均损失函数学习更新输入回声状态网络和多尺度卷积神经网络联合模型中的权值；

直到迭代次数达到预设迭代次数，完成输入回声状态网络和多尺度卷积神经网络联合模型的训练。

Images