CN112362756B - 一种基于深度学习的混凝土结构损伤监测方法及系统 - Google Patents
一种基于深度学习的混凝土结构损伤监测方法及系统 Download PDFInfo
- Publication number
- CN112362756B CN112362756B CN202011331569.8A CN202011331569A CN112362756B CN 112362756 B CN112362756 B CN 112362756B CN 202011331569 A CN202011331569 A CN 202011331569A CN 112362756 B CN112362756 B CN 112362756B
- Authority
- CN
- China
- Prior art keywords
- damage
- concrete structure
- training
- neural network
- signal
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 107
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 98
- 238000012360 testing method Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 48
- 239000000919 ceramic Substances 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000009131 signaling function Effects 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000013075 data extraction Methods 0.000 abstract description 8
- 238000004140 cleaning Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 10
- 239000000306 component Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
- G01N29/2437—Piezoelectric probes
-
- 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
-
- 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
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的混凝土结构损伤监测方法及系统,采用二分类智能模型识别应力波信号中的噪音干扰信号,避免了人工清洗并提取噪音数据时造成的噪音数据提取难度大和效率低的问题,提高了数据处理速度和监测效率;采用TQWT和VMD相结合来剔除噪音干扰信号,避免了噪音干扰对结构损伤识别精度的影响,提高了结构损伤的识别精度;采用循环神经网络模型进行结构损伤识别,实现了结构损伤的智能识别;采用TQWT和VMD相结合来进行噪音剔除,数据特征提取效果更好,提高了去噪效果。
Description
技术领域
本发明属于混凝土结构健康监测技术领域,尤其涉及一种基于深度学习的混凝土结构损伤监测方法及系统。
背景技术
混凝土结构是土木工程领域应用最为广泛的结构之一,混凝土结构在外界荷载和不利环境等因素影响下,结构会出现不同程度的损伤,最常见的是混凝土开裂,导致的结果是混凝土内部钢筋加速腐蚀,使结构服役期寿命降低。对结构进行安全评定时,若对损伤考虑不足将产生误判,带来重大安全隐患;因此,提出混凝土结构损伤监测方法将具有重要的理论与工程意义。
目前基于深度学习的结构健康监测技术已成为研究热点之一,卷积神经网络作为深度学习应用最广泛的一种神经网络模型,在图像分类与识别、目标定位与检测中展示了超强能力,因此受到诸多学者的青睐;已有大量学者将采集到的传感器信号通过特征提取算法从信号中提取特征向量,并以此作为卷积神经网络的输入数据,取得良好的识别效果。然而,卷积神经网络不考虑数据之间的关联性,网络的输出只和当前时刻网络的输入相关,在解决很多实际问题的时候发现,现实问题中存在着很多序列型的数据,例如文本、语音以及视频等。这些序列型的数据往往都是具有时序上的关联性,即某一时刻网络的输出除了与当前时刻的输入相关之外,还与之前某一时刻或某几个时刻的输出相关。但卷积神经网络并不能处理好这种关联性,由于没有记忆能力,前面时刻的输出不能传递到后面时刻。循环神经网络作为一种在普通全连接神经网络的基础上引入时间通道的神经网络模型,相比于卷积神经网络的不同样本之间相互独立的特性,循环神经网络更注重于挖掘数据之间的时序关联性,因此,在许多时序问题中,循环神经网络都取得了显著的成绩。
压电陶瓷作为一种新型智能材料,对结构的微小变化能做出良好响应。由压电陶瓷制作的压电传感器具有频响快、频带宽、精度高,能够同时作为驱动器和传感器对结构进行损伤检测和状态监测等优点,使其在结构健康监测领域有着广泛应用。然而,压电陶瓷进行损伤检测和状态监测易受到温度和噪音影响,需在监测条件较好,外界干扰较小的环境下才能完全发挥其性能。对于运营中的结构,尤其桥梁结构,在日常健康监测时由于不能妨碍正常交通,外界振动噪声较大,采用压电陶瓷监测桥梁结构的损伤受噪音影响大,导致可能监测不到结构损伤信息。在桥梁结构损伤监测时,压电陶瓷一般设在结构内部,外部温度变化对压电陶瓷的影响不大。因此,采用压电陶瓷对混凝土结构的损伤监测主要考虑噪音对监测效果的影响。另外,结构健康监测技术是对结构进行一个长期监测手段,故会导致监测数据非常庞大,如果人工清洗提取噪音数据,将会是一个巨大工程,且传统的结构健康监测技术要求具有相关知识的专业人员才能有效的对结构健康状态进行合理分析,进一步增加了噪音数据提取的难度和效率。
发明内容
本发明的目的在于提供一种基于深度学习的混凝土结构损伤监测方法及系统,以解决压电陶瓷监测结构损伤时受噪音影响导致损伤识别精度低的问题,以及从大量监测数据中提取噪音数据困难、效率低问题。
本发明独立权利要求的技术方案解决了上述发明目的中的一个或多个。
本发明是通过如下的技术方案来解决上述技术问题的:一种基于深度学习的混凝土结构损伤监测方法,包括如下步骤:
在待监测混凝土结构内预埋入多个压电智能骨料,每个压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器,每个所述压电陶瓷驱动器均与信号放大器连接,所述信号放大器与信号函数发生器连接,所述信号函数发生器与数据采集及处理装置连接;每个所述压电陶瓷传感器与数据采集及处理装置连接;
在给所述待监测混凝土结构外施加不同静载和随机动载的同时,利用信号函数发生器和压电陶瓷驱动器使待监测混凝土结构内产生应力波,所述压电陶瓷传感器采集应力波信号,所述应力波信号包括噪音干扰信号和/或结构损伤信号,对所述应力波信号进行有无噪音标记以及损伤标记,以标记后的应力波信号作为原始数据样本;
采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到训练特征矩阵;
将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一训练数据样本,将所述第一训练数据样本分为训练集、验证集和测试集;
建立所述二分类智能模型,采用所述第一训练数据样本对所述二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型;
采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据;
采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本;
建立循环神经网络模型,采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型。
本发明中,采用二分类智能模型识别应力波信号中的噪音干扰信号,避免了人工清洗并提取噪音数据时造成的噪音数据提取难度大和效率低的问题,提高了数据处理速度和监测效率;采用TQWT和VMD相结合来剔除噪音干扰信号,避免了噪音干扰对结构损伤识别精度的影响,提高了结构损伤的识别精度;采用循环神经网络模型进行结构损伤识别,实现了结构损伤的智能识别;采用TQWT和VMD相结合来进行噪音剔除,数据特征提取效果更好,提高了去噪效果。
进一步地,在所述待监测混凝土结构的两端分别设置一个压电智能骨料,在所述待监测混凝土结构的中间等间距地设置多个压电智能骨料,压电智能骨料的这种分布方式不仅能够获得大量的原始数据样本,也便于监测整个混凝土结构的结构损伤。
进一步地,所述静载是按照0kN、10kN、20kN、30kN、40kN、50kN、60kN、70kN、80kN、90kN、100kN的顺序逐级递增至混凝土结构完全破坏为止,且在每级静载加载过程中对混凝土结构的不同部位施加随机动载,能够获得大量的原始数据样本,大量的原始数据样本有利于获得准确度更高的二分类智能模型和循环神经网络模型。
优选地,所述损伤标记包括健康标记、20%损伤标记、50%损伤标记、70%损伤标记以及完全破坏标记。
进一步地,所述二分类智能模型为基于ResNeXt的卷积神经网络模型或支持向量机模型。
优选地,所述基于ResNeXt的卷积神经网络模型包括依次连接的输入层、第一卷积层、下采样层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、Softmax层以及输出层,所述第二卷积层、第三卷积层、第四卷积层以及第五卷积层均包括多个ResNeXt卷积块。
普通神经网络模型的识别精度一般为80~90%,卷积神经网络模型的识别精度可达到95%,而基于ResNeXt的卷积神经网络模型的识别精度可达到98%,由于监测数据非常庞大,因此选择高精度或高准确度的基于ResNeXt的卷积神经网络模型大大提高了结构损伤的监测精度。
进一步地,所述TQWT和VMD相结合来剔除第一数据中噪音干扰信号的实现步骤包括:
采用TQWT对第一数据进行十层分解,得到十一个子频带能量,提取所述十一个子频带能量中能量最大的子频带;
采用VMD将最大子频带信号分解为若干固有模态分量;
利用皮尔逊相关性系数计算每一阶固有模态分量与所述最大子频带信号的相关性,将相关性最大的几阶固有模态分量进行重构,得到所述最大子频带信号中的振动特征信号,将所述振动特征信号剔除,即得到有效特征信号。
由于TQWT适用于分析振荡信号,对随机动载所产生的结构振动噪音非常敏感,因此,采用TQWT提取子频带能量中的最大子频带信号(振动特征信号能量最大)能够有效识别噪音干扰信号,但是TQWT可能会将应力波也归为最大子频带信号,因此需要对子频带信号进行进一步处理。由于VMD能更有效地捕捉短时变化和长时变化(即结构振动特性),故能有效剔除其他嘈杂数据,弥补TQWT的缺陷,将最大子频带信号放入VMD算法中能有效提取结构振动特征信号,将这一部分振动特征信号提取并剔除后,保留下来的就是应力波信号,里面包含了结构损伤信息。
进一步地,所述循环神经网络模型采用双向LSTM(Long Short Term Memory,长短期记忆网络)循环神经网络模型。
双向LSTM循环神经网络模型由向前循环神经网络与向后循环神经网络组成,其核心组成部分为长短期记忆网络,LSTM循环神经网络模型引入跨帧之间的时间依赖关系,自动地学习不同时间尺度之间的依赖关系,结构损伤识别准确率高达99%。LSTM属于深度学习方法,避免了繁琐的特征提取步骤,简单的数据预处理即可将输入数据的格式规整为模型能够识别的格式,实现简单。
进一步地,所述二分类智能模型和循环神经网络模型均采用基于动量累积的自适应学习效率优化算法来更新权重系数,权重系数的具体更新公式为:
mt=μt*mt-1+(1-μt)*gt
其中,θt为更新后的权重系数,θt-1为更新前的权重系数,η为学习效率,为更新后的动量矢量,/>为对nt的校正,ε为极小参数,保证分母不为零,ε通常取1×10-8,nt为更新后的二阶矩估计,vt为t次幂的衰减均值,μt为t时刻的衰减常数,/>为更新后的梯度,μt+1为t+1时刻的衰减常数,/>为对mt的校正,mt为更新后的一阶矩估计,mt-1为更新前的一阶矩估计,μi为时间步i下的衰减常数,t为时间步,v为衰减均值,nt-1为更新前的二阶矩估计,gt为更新前的梯度,/>为θt-1的偏导数向量,θt-1为时间步为t-1的参数向量,f(θt-1)为参数向量θt-1的随机目标函数。
进一步地,所述混凝土结构损伤监测方法还包括采用训练好的二分类智能模型和循环神经网络模型进行混凝土结构损伤实时监测的步骤,该步骤的具体实现过程为:
获取待监测混凝土结构内实时应力波信号,对所述实时应力波信号进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到测试特征矩阵;
将所述测试特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一测试数据样本;
采用训练好的二分类智能模型对所述第一测试数据样本进行噪音识别,提取所有含有噪音干扰信号的第二数据,采用TQWT和VMD相结合来剔除所述第二数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与实时应力波信号中不含有噪音干扰信号的数据构成第二测试数据样本;
将所述第二测试数据样本输入至训练好的循环神经网络模型中进行损伤识别,实现混凝土结构损伤的实时监测。
本发明还提供一种基于深度学习的混凝土结构损伤监测系统,包括:
预埋入待检测混凝土结构内的多个压电智能骨料,每个所述压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器;
与每个所述压电陶瓷驱动器均连接的信号放大器;
与所述信号放大器连接的信号函数发生器;
与所述信号函数发生器、每个所述压电陶瓷传感器分别连接的数据采集及处理装置;
所述数据采集及处理装置包括:
信号控制单元,用于控制信号函数发生器产生激励信号;
数据获取单元,用于获取原始数据样本;
特征矩阵生成单元,用于采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到训练特征矩阵;
格式转换单元,用于将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一训练数据样本,将所述第一训练数据样本分为训练集、验证集和测试集;
第一模型建立及训练单元,用于建立所述二分类智能模型,采用第一训练数据样本对所述二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型;
噪音提取单元,用于采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据;
噪音剔除单元,用于采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本;
第二模型建立及训练单元,用于建立循环神经网络模型,采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型。
有益效果
与现有技术相比,本发明所提供的一种基于深度学习的混凝土结构损伤监测方法及系统,采用二分类智能模型识别应力波信号中的噪音干扰信号,避免了人工清洗并提取噪音数据时造成的噪音数据提取难度大和效率低的问题,提高了数据处理速度和监测效率;采用TQWT和VMD相结合来剔除噪音干扰信号,避免了噪音干扰对结构损伤识别精度的影响,提高了结构损伤的识别精度;采用循环神经网络模型进行结构损伤识别,实现了结构损伤的智能识别;采用TQWT和VMD相结合来进行噪音剔除,数据特征提取效果更好,提高了去噪效果。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种基于深度学习的混凝土结构损伤监测方法的流程图;
图2是本发明实施例中混凝土结构损伤监测系统的结构示意图;
图3是本发明实施例中基于ResNeXt的卷积神经网络模型的网络结构图;
图4是本发明实施例中基于TQWT和VMD算法提取结构振动信号示意图;
图5是本发明实施例中双向LSTM循环神经网络模型的网络结构图;
其中,1为反力框架,2为液压千斤顶,3为铁垫,4为载荷分布梁,5为木槌,6为压电智能骨料,7为信号放大器,8为信号函数发生器,9为数据获取单元,10为计算机,11为混凝土梁。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例所提供的一种基于深度学习的混凝土结构损伤监测方法,包括如下步骤:
1、混凝土结构损伤监测系统的布置
以混凝土梁11(2700×180×250;单位:mm)为例,在该混凝土梁11内预埋入6个压电智能骨料6,其中,在混凝土梁11的两端分别设置一个压电智能骨料6,在混凝土梁11的中间等间距地设置4个压电智能骨料6。每个压电智能骨料6包括一个压电陶瓷驱动器和一个压电陶瓷传感器,每个压电陶瓷驱动器均与信号放大器7连接,信号放大器7与信号函数发生器8连接,信号函数发生器8与数据采集及处理装置连接;每个压电陶瓷传感器与数据采集及处理装置连接,如图2所示。
数据采集及处理装置包括数据获取单元9和计算机10,数据获取单元9用于获取原始数据样本和每个压电陶瓷传感器采集的应力波信号。原始数据样本是在应力波信号的基础上,标有无噪音和损伤标记,该标记可以在其他装置完成后再输入至数据获取单元9,也可以直接在计算机10上完成(即此时,数据获取单元9只需获取每个压电陶瓷传感器采集的应力波信号)。
混凝土结构损伤监测系统还包括用于产生随机动载的木槌5、反力框架1、用于检测混凝土梁11内压力值的压力传感器、用于施加不同静载的液压千斤顶2、铁垫3、载荷分布梁4、混凝土支撑墩、固定支撑、滑动支持等。
2、获取原始数据样本
在给混凝土梁11外施加不同静载和随机动载的同时,利用信号函数发生器8和压电陶瓷驱动器使待监测混凝土结构内产生应力波,压电陶瓷传感器采集应力波信号,应力波信号融合有噪音干扰信号和/或结构损伤信号,对应力波信号进行有无噪音标记以及损伤标记,以标记后的应力波信号作为原始数据样本。
通过改变混凝土梁11中部的液压千斤顶2压力值来模拟混凝土梁11承受不同程度的静载,压力传感器用于检测静载加载过程中静载是否达到对应级别。静载是按照0kN、10kN、20kN、30kN、40kN、50kN、60kN、70kN、80kN、90kN、100kN的顺序逐级递增至混凝土结构完全破坏为止,且在每级静载加载过程中利用木槌5对混凝土梁11的不同部位施加随机动载,即实现了不同静载和随机动载工况,以获得足够的数据样本。静载达到一定程度使混凝土梁11内产生损伤,随机动载模拟噪音干扰信号。
数据采集及处理装置控制信号函数发生器8产生激励信号,该激励信号经信号放大器7放大后对压电陶瓷驱动器进行激励,使混凝土梁11内部产生应力波,压电陶瓷传感器采集该应力波信号,由于同时加了静载和随机动载,因此,该应力波信号中含有噪音干扰信号和/或结构损伤信号,对应力波信号进行有无噪音标记以及损伤标记,以标记后的应力波信号作为原始数据样本,以便于有大量的数据样本对后续的卷积神经网络模型和循环神经网络模型进行训练,提高模型的准确度。后续步骤只需要剔除噪音干扰信号,因此只需要进行有无噪音标记即可;结构损伤监测不仅监测是否有无损伤,还需要监测损伤程度,因此损伤标记包括健康标记、20%损伤标记、50%损伤标记、70%损伤标记以及完全破坏标记。
3、对原始数据样本的处理
采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,各频带的能量作为特征值,由各频带的能量构成一个具有8个特征值的特征向量,该特征向量与该特征向量的转秩相乘得到8×8训练特征矩阵。也可以采用其他时频域特征提取算法对原始数据样本进行三层分解。相较于传统的方法,无论是傅立叶变换还是小波分解,单一基础上的线性扩展都不够灵活。傅立叶变换对频域的良好定位是以时域的全部信号分析为代价的,时域和频域分析具有分析上的矛盾,傅立叶变换的频率谱中要么频率是准确的而时间是模糊的,要么时间是准确的而频率是模糊的,它不可能同时在时域和频域都具有良好的定位的能力。小波分解不能很好地表示傅立叶变换具有狭窄的“高频”支持的信号,这是因为高频分辨率差。在这两种情况下,都难以从扩展系数中检测和识别信号模式,因为信息在整个基础上都被稀释了。另一方面,小波包分解(WPT)使用具有任意时频分辨率的丰富的冗余库。因此,小波包分解可以从结合了非平稳和静态特征的信号中提取特征。
采用小波包分解法进行三层分解及提取能量为现有技术。
4、格式转换
为了使训练特征矩阵中的每个元素都能够被二分类智能模型识别,将训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成二分类智能模型能识别的第一训练数据样本,将第一训练数据样本分成训练集、验证集和测试集。
例如,如果二分类智能模型为卷积神经网络模型,那么利用MATLAB将训练特征矩阵中的每个元素转换成RGB格式,形成具备RGB格式的图像数据样本,图像数据样本作为输入样本能够被卷积神经网络模型所识别。RGB格式的转换为现有技术,可参考A NewStructural Health Monitoring Strategy Based on PZT Sensors and ConvolutionalNeural Network。
5、二分类智能模型建立和训练
建立二分类智能模型,采用第一训练数据样本对二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型。
二分类智能模型包括但不限于基于ResNeXt的卷积神经网络模型和支持向量机模型。普通神经网络模型的识别精度一般为80~90%,卷积神经网络模型的识别精度可达到95%,而基于ResNeXt的卷积神经网络模型的识别精度可达到98%,由于监测数据非常庞大,因此选择高精度或高准确度的基于ResNeXt的卷积神经网络模型可以大大提高结构损伤的监测精度。
本实施例中,基于ResNeXt的卷积神经网络模型采用50层网络结构,学习效率为0.005,期望误差为0.0001。将第一训练数据样本又分为训练集、验证集和测试集,训练集、验证集和测试集的分配比例为6:1:3。训练集用于训练基于ResNeXt的卷积神经网络模型,验证集用于验证基于ResNeXt的卷积神经网络模型的效果,测试集用于测试基于ResNeXt的卷积神经网络模型的鲁棒性。
如图3所示,基于ResNeXt的卷积神经网络模型包括依次连接的输入层、第一卷积层、下采样层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、Softmax层以及输出层,第二卷积层、第三卷积层、第四卷积层以及第五卷积层均包括多个ResNeXt卷积块。
需要说明的是,将训练集输入卷积神经网络模型中进行训练,每训练100次,输入验证集进行一次噪音识别精度验证;若振动噪音干扰的识别准确度达到设定的准确度(设定的准确度的值为99%),则停止训练并保存当前模型权重参数作为基于ResNeXt的卷积神经网络模型的参数;若准确度未达到设定的准确度,则调整模型超参数后继续重复上述训练与验证过程,按照设定的循环次数进行多次训练后,若依然未达到设定的准确度,以最高准确度时的模型参数作为基于ResNeXt的卷积神经网络模型的参数,完成基于ResNeXt的卷积神经网络模型的构建与训练,并将测试集输入已训练的模型中得出振动噪音的识别结果;通过调参处理使得测试精度达到预设精度,基于ResNeXt的卷积神经网络模型的建立完成。
基于ResNeXt的卷积神经网络模型的网络结构,输入层将训练集数据送入下一层计算。
卷积层用于对输入的数据进行卷积运算,提取数据特征并输入下一层进行计算,其计算公式如下:
式(1)中,xl表示第l层的输入(l=1,2,...,L-1),fl表示第l层的卷积核,ωl表示第l层卷积的权重系数,bl表示第l层卷积的偏置系数,表示卷积运算,·表示内积运算。
激活层引入非线性函数对线性变化后的输入进行映射,从而增强网络非线性表达能力,公式如下:
式(2)中,σ(·)为非线性激活函数的统一表示,本实施例使用LeakyReLU激活函数:
池化层计算公式如下:
xl=f(βldown(xl-1)+bl) (4)
其中,down(·)表示采样函数,xl-1是由卷积层传输过来的数据,xl是经过池化层下采样后所得的数据。
ResNeXt卷积块是由上述卷积层、激活层和池化层堆叠与拓扑的一种结构,其核心思想是将普通全连接层中的神经元换成一般的函数,即Network in Neuron:
式中,x=[x1,x2,...,xD]是神经元的D通道的输入向量,是第i个通道的滤波器权重,其中/>可以是任意函数,类似于简单的神经元,/>应将x投射到(可选为低维)嵌入中,然后对其进行变换,C是要聚合的转换集的大小,将C称为基数,y为ResNeXt卷积块的输出。
将ResNeXt卷积块的输出结果用全连接层综合起来,送入softmax分类器中,计算输入数据在不同振动噪音干扰类的评分以及计算输入数据在每类干扰下的概率,输出振动干扰概率最大的干扰类:
其中,softmax(Si)表示第i类噪音干扰概率,Si表示模型对输入数据在第i类干扰上的评分值。二分类智能模型的建立和训练均为现有技术。
6、噪音干扰信号的提取
采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据,以便于进行结构损伤识别的数据不含有噪音干扰信号。
7、噪音干扰信号的剔除
采用TQWT(tunable Q-factor wavelet transform,可调品质因子小波变换)和VMD(variational mode decomposition,变分模态分解)剔除第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本。
TQWT和VMD剔除第一数据(或第二数据)中噪音干扰信号的实现步骤为:
由于TQWT适用于分析振荡信号,对随机动载所产生的结构振动噪音非常敏感,因此,采用TQWT对第一数据(或第二数据)进行十层分解,得到十一个子频带能量,提取十一个子频带能量中能量最大的子频带。TQWT由两个迭代的带通滤波器组成,即高谐振分量滤波器Hfilter(ω)和低谐振分量滤波器Lfilter(ω),公式如下:
其中,Lfilter(ω)表示低谐振分量滤波器,Hfilter(ω)表示高谐振分量滤波器,δ表示两通道滤波器组的高通比例因子,表示两通道滤波器组的低通比例因子,θ(ω)是Daubechies滤波器的频率响应,并用以下表达式定义:
式中,ω表示角频率。
TQWT通过使用输入参数(Q,R和J)将信号分解为具有多个分解级别的子频带,其中,参数品质因子Q、冗余度R和最大分解级数Jmax的计算公式如下:
其中,L是信号的长度,fc为信号中心频率,Bw为信号带宽。
将第一数据(或第二数据)进行10级TQWT分解,得到11个子频带能量,提取能量最大的子频带信号(振动信号能量最大)。由于TQWT可能会将应力波也划归到能量最大的子频带信号,故需要对子频带信号进一步处理。VMD能更有效地捕捉短时变化和长时变化(结构振动特性),能有效剔除其他嘈杂数据,弥补TQWT的缺点。VMD算法将最大子频带信号分解为若干固有模态分量的具体步骤如下:
为了确定VMD分解后的模态μk以及对应的中心频率ωk,需先建立约束变分问题模型:
其中,k为固有模态分量的数量,f为输入的信号,{μk}代表第k个模态,{ωk}代表第k个模态的中心频率,表示对t的偏导,δ(t)为狄克拉冲击函数,*为卷积符号,参数j2=-1,||·||2表示2-范数。
引入二次惩罚项α和拉格朗日算子λ,使上式(15)转换为不受约束的变分模型:
初始化并且令n=0,然后将μk和ωk进行更新。
其中,表示模式更新,/>表示中心频率更新,/>和/>分别代表/> 和/>的傅里叶变换,n是迭代次数,/>表示输入信号,/>表示固有模式,/>表示拉格朗日算子,t表示信号采样时长。
在模态和中心频率更新后,拉格朗日算子也需要被更新。
其中,τ是噪音容许参数。
当满足收敛条件后,迭代结束,得到最终k个模态,收敛条件为:
其中ε表示判别精度。
将最大子频带信号放入变分模态分解(VMD)算法中,得到多阶固有模态,利用皮尔逊相关性系数,提取与最大子频带信号相关性强的模态,公式如下:
其中,ρX,Y为皮尔逊相关性系数;X表示最大子频带信号,Y表示6阶模态中任意1阶模态,cov(X,Y)表示协方差,E(·)为期望,μX和μY表示X,Y的均值,σX和σY表示X,Y的标准差。
这些模态中保留了有效提取结构振动特征信号。将这一部分信号提取并剔除后,原始信号保留下来的就是应力波信号,里面包含了结构损伤信息,如图4所示。
TQWT和VMD均为现有算法,采用TQWT和VMD相结合进行噪音干扰信号的剔除,数据特征提取效果更好,提高了去噪效果。
8、循环神经网络模型的建立和训练
建立循环神经网络模型,采用第二训练数据样本对循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型。
将第二训练数据样本分为训练集、验证集和测试集,然后合并训练集与验证集作为原始数据;利用K折交叉验证法将原始数据随机分成K份,每次选择(K-1)份作为训练集,剩余的1份作为测试集;交叉验证重复K次,取K次准确率的平均值作为训练好的循环神经网络模型的评价指标。K折交叉验证法最大优势是可以从有限的数据中获取尽可能多的有效信息。
本实施例中,循环神经网络模型为双向LSTM循环神经网络模型。双向LSTM循环神经网络模型由向前循环神经网络与向后循环神经网络组成,其核心组成部分为长短期记忆网络,向前循环神经网络和向后循环神经网络的输出通过一个全连接的输出层,将输出信息通过softmax函数获得结构损伤类别,从而完成双向LSTM循环神经网络模型的构建。
将交叉验证集输入至双向LSTM循环神经网络模型进行结构损伤识别训练,直至达到最高准确度(准确度超过95%即可),将最高准确值的模型参数作为双向LSTM循环神经网络模型的参数,完成双向LSTM循环神经网络模型的构建与训练;最后,将测试集数据输入到双向LSTM循环神经网络模型中进行分析,得出结构损伤程度分析结果。
本实施例中,双向LSTM循环神经网络模型采用2层网络结构;网络的隐藏层神经元数为1000,学习效率为0.001,期望误差为0.0001。
如图5所示,每个LSTM单元中包括记忆细胞Ct、遗忘门ft、输入门it和输出门Ot;LSTM网络计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf) (22)
it=σ(Wi·[ht-1,xt]+bi) (23)
Ot=σ(Wo·[ht-1,xt]+bo) (26)
ht=Ot*tanh(Ct) (27)
其中,xt为输入,Wf、Wi、WC和Wo为权重系数,bf、bi、bC和bo为偏置值,σ(·)为全连接层和激活函数,tanh(·)为tanh函数,ht-1表示上一时刻的输出,Ct-1表示上一时刻的长记忆值,为候选记忆细胞。LSTM循环神经网络模型的建立和训练为现有技术。
LSTM循环神经网络模型引入跨帧之间的时间依赖关系,自动地学习不同时间尺度之间的依赖关系,结构损伤识别准确率高达99%。LSTM属于深度学习方法,避免了繁琐的特征提取步骤,简单的数据预处理即可将输入数据的格式规整为模型能够识别的格式,实现简单。
二分类智能模型和循环神经网络模型均采用基于动量累积的自适应学习效率优化算法来更新权重系数,权重系数ωl、Wf、Wi、WC和Wo的具体更新公式为:
mt=μt*mt-1+(1-μt)*gt (33)
其中,θt为更新后的权重系数,θt-1为更新前的权重系数,η为学习效率,为更新后的动量矢量,/>为对nt的校正,ε为极小参数,保证分母不为零,ε通常取1×10-8,nt为更新后的二阶矩估计,vt为t次幂的衰减均值,μt为t时刻的衰减常数,/>为更新后的梯度,μt+1为t+1时刻的衰减常数,/>为对mt的校正,mt为更新后的一阶矩估计,mt-1为更新前的一阶矩估计,μi为时间步i下的衰减常数,t为时间步,v为衰减均值,nt-1为更新前的二阶矩估计,gt为更新前的梯度,/>为θt-1的偏导数向量,θt-1为时间步为t-1的参数向量,f(θt-1)为参数向量θt-1的随机目标函数。
9、结构损伤实时监测
得到训练好的二分类智能模型和循环神经网络模型后,就可以对压电陶瓷传感器采集的实时应力波信号进行噪音识别、结构损伤识别。由于原始数据样本在输入至二分类智能模型之前进行了处理,因此对实时应力波信号也进行步骤3和步骤4的处理,即:
采用小波包分解法对实时应力波信号进行三层分解,提取第三层各频带的能量,由各频带的能量构成一个特征向量,该特征向量与特征向量的转秩相乘得到测试特征矩阵;
将测试特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一测试数据样本。
再采用训练好的二分类智能模型对第一测试数据样本进行噪音识别,提取所有含有噪音干扰信号的第二数据,采用步骤7进行噪音干扰信号的剔除,即采用TQWT和VMD相结合来剔除第二数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与实时应力波信号中不含有噪音干扰信号的数据构成第二测试数据样本。
最后将第二测试数据样本输入至训练好的循环神经网络模型中进行损伤识别,实现混凝土结构损伤的实时监测。
循环执行步骤9即可实现混凝土梁结构损伤的长时间监测。
本实施例还提供一种基于深度学习的混凝土结构损伤监测系统,包括:
预埋入待检测混凝土结构内的多个压电智能骨料,每个所述压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器;
与每个所述压电陶瓷驱动器均连接的信号放大器;
与所述信号放大器连接的信号函数发生器;
与所述信号函数发生器、每个所述压电陶瓷传感器分别连接的数据采集及处理装置;
所述数据采集及处理装置包括:
信号控制单元,用于控制信号函数发生器产生激励信号;
数据获取单元,用于获取原始数据样本或所述压电陶瓷传感器采集的实时应力波信号;
特征矩阵生成单元,用于采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到训练特征矩阵;还用于采用小波包分解法对所述实时应力波信号进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到测试特征矩阵;
格式转换单元,用于将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一训练数据样本,将所述第一训练数据样本分为训练集、验证集和测试集;还用于将所述测试特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一测试数据样本;
第一模型建立及训练单元,用于建立所述二分类智能模型,采用第一训练数据样本对所述二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型;
噪音提取单元,用于采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据;还用于采用训练好的二分类智能模型对所述第一测试数据样本进行噪音识别,提取所有含有噪音干扰信号的第二数据;
噪音剔除单元,用于采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本;还用于采用QWT和VMD剔除所述第二数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与实时应力波信号中不含有噪音干扰信号的数据构成第二测试数据样本;
第二模型建立及训练单元,用于建立循环神经网络模型,采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型;
损伤识别单元,用于将所述第二测试数据样本输入至训练好的循环神经网络模型中进行损伤识别,实现混凝土结构损伤的实时监测。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的混凝土结构损伤监测方法,其特征在于,包括如下步骤:
在待监测混凝土结构内预埋入多个压电智能骨料,每个压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器,每个所述压电陶瓷驱动器均与信号放大器连接,所述信号放大器与信号函数发生器连接,所述信号函数发生器与数据采集及处理装置连接;每个所述压电陶瓷传感器与数据采集及处理装置连接;
在给所述待监测混凝土结构外施加不同静载和随机动载的同时,利用信号函数发生器和压电陶瓷驱动器使待监测混凝土结构内产生应力波,所述压电陶瓷传感器采集应力波信号,所述应力波信号包括噪音干扰信号和/或结构损伤信号,对所述应力波信号进行有无噪音标记以及损伤标记,以标记后的应力波信号作为原始数据样本;
采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到训练特征矩阵;
将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一训练数据样本,将所述第一训练数据样本分为训练集、验证集和测试集;
建立所述二分类智能模型,采用所述第一训练数据样本对所述二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型;
采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据;
采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本;
建立循环神经网络模型,采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型;
其中,所述二分类智能模型和循环神经网络模型均采用基于动量累积的自适应学习效率优化算法来更新权重系数,权重系数的具体更新公式为:
mt=μt*mt-1+(1-μt)*gt
其中,θt为更新后的权重系数,θt-1为更新前的权重系数,η为学习效率,为更新后的动量矢量,/>为对nt的校正,ε为极小参数,保证分母不为零,ε通常取1×10-8,nt为更新后的二阶矩估计,vt为t次幂的衰减均值,μt为t时刻的衰减常数,/>为更新后的梯度,μt+1为t+1时刻的衰减常数,/>为对mt的校正,mt为更新后的一阶矩估计,mt-1为更新前的一阶矩估计,μi为时间步i下的衰减常数,t为时间步,v为衰减均值,nt-1为更新前的二阶矩估计,gt为更新前的梯度,/>为θt-1的偏导数向量,θt-1为时间步为t-1的参数向量,f(θt-1)为参数向量θt-1的随机目标函数。
2.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:在所述待监测混凝土结构的两端分别设置一个压电智能骨料,在所述待监测混凝土结构的中间等间距地设置多个压电智能骨料。
3.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:所述静载是按照0kN、10kN、20kN、30kN、40kN、50kN、60kN、70kN、80kN、90kN、100kN的顺序逐级递增至混凝土结构完全破坏为止,且在每级静载加载过程中对混凝土结构的不同部位施加随机动载。
4.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:所述损伤标记包括健康标记、20%损伤标记、50%损伤标记、70%损伤标记以及完全破坏标记。
5.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:所述二分类智能模型为基于ResNeXt的卷积神经网络模型或支持向量机模型。
6.如权利要求5所述的混凝土结构损伤监测方法,其特征在于:所述基于ResNeXt的卷积神经网络模型包括依次连接的输入层、第一卷积层、下采样层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、Softmax层以及输出层,所述第二卷积层、第三卷积层、第四卷积层以及第五卷积层均包括多个ResNeXt卷积块。
7.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:所述TQWT和VMD相结合来剔除第一数据中噪音干扰信号的实现步骤包括:
采用TQWT对第一数据进行十层分解,得到十一个子频带能量,提取所述十一个子频带能量中能量最大的子频带;
采用VMD将最大子频带信号分解为若干固有模态分量;
利用皮尔逊相关性系数计算每一阶固有模态分量与所述最大子频带信号的相关性,将相关性最大的几阶固有模态分量进行重构,得到所述最大子频带信号中的振动特征信号,将所述振动特征信号剔除,即得到有效特征信号。
8.如权利要求1所述的混凝土结构损伤监测方法,其特征在于:所述循环神经网络模型采用双向LSTM循环神经网络模型。
9.如权利要求1~8中任一项所述的混凝土结构损伤监测方法,其特征在于:还包括采用训练好的二分类智能模型和循环神经网络模型进行混凝土结构损伤实时监测的步骤,该步骤的具体实现过程为:
获取待监测混凝土结构内实时应力波信号,对所述实时应力波信号进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到测试特征矩阵;
将所述测试特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一测试数据样本;
采用训练好的二分类智能模型对所述第一测试数据样本进行噪音识别,提取所有含有噪音干扰信号的第二数据,采用TQWT和VMD相结合来剔除所述第二数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与实时应力波信号中不含有噪音干扰信号的数据构成第二测试数据样本;
将所述第二测试数据样本输入至训练好的循环神经网络模型中进行损伤识别,实现混凝土结构损伤的实时监测。
10.一种基于深度学习的混凝土结构损伤监测系统,其特征在于,包括:
预埋入待检测混凝土结构内的多个压电智能骨料,每个所述压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器;
与每个所述压电陶瓷驱动器均连接的信号放大器;
与所述信号放大器连接的信号函数发生器;
与所述信号函数发生器、每个所述压电陶瓷传感器分别连接的数据采集及处理装置;
所述数据采集及处理装置包括:
信号控制单元,用于控制信号函数发生器产生激励信号;
数据获取单元,用于获取原始数据样本;
特征矩阵生成单元,用于采用小波包分解法对原始数据样本进行三层分解,提取第三层各频带的能量,由所述各频带的能量构成一个特征向量,所述特征向量与特征向量的转秩相乘得到训练特征矩阵;
格式转换单元,用于将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式,形成第一训练数据样本,将所述第一训练数据样本分为训练集、验证集和测试集;
第一模型建立及训练单元,用于建立所述二分类智能模型,采用第一训练数据样本对所述二分类智能模型进行噪音识别训练,得到训练好的二分类智能模型;
噪音提取单元,用于采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别,提取所有含有噪音干扰信号的第一数据;
噪音剔除单元,用于采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号,得到有效特征信号,所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本;
第二模型建立及训练单元,用于建立循环神经网络模型,采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练,得到训练好的循环神经网络模型;
其中,所述二分类智能模型和循环神经网络模型均采用基于动量累积的自适应学习效率优化算法来更新权重系数,权重系数的具体更新公式为:
mt=μt*mt-1+(1-μt)*gt
其中,θt为更新后的权重系数,θt-1为更新前的权重系数,η为学习效率,为更新后的动量矢量,/>为对nt的校正,ε为极小参数,保证分母不为零,ε通常取1×10-8,nt为更新后的二阶矩估计,vt为t次幂的衰减均值,μt为t时刻的衰减常数,/>为更新后的梯度,μt+1为t+1时刻的衰减常数,/>为对mt的校正,mt为更新后的一阶矩估计,mt-1为更新前的一阶矩估计,μi为时间步i下的衰减常数,t为时间步,v为衰减均值,nt-1为更新前的二阶矩估计,gt为更新前的梯度,/>为θt-1的偏导数向量,θt-1为时间步为t-1的参数向量,f(θt-1)为参数向量θt-1的随机目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331569.8A CN112362756B (zh) | 2020-11-24 | 2020-11-24 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331569.8A CN112362756B (zh) | 2020-11-24 | 2020-11-24 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112362756A CN112362756A (zh) | 2021-02-12 |
CN112362756B true CN112362756B (zh) | 2024-02-20 |
Family
ID=74533644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011331569.8A Active CN112362756B (zh) | 2020-11-24 | 2020-11-24 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112362756B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450333B (zh) * | 2021-06-30 | 2022-01-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN114595733B (zh) * | 2022-05-10 | 2024-04-02 | 山东大学 | 基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统 |
CN114757236B (zh) * | 2022-06-13 | 2022-10-11 | 广东工业大学 | 基于tqwt与svmd的脑电信号去噪优化方法及系统 |
CN117349601B (zh) * | 2023-12-06 | 2024-03-05 | 济南大学 | 一种基于压电振动波的混凝土损伤分类方法及系统 |
CN117576597B (zh) * | 2024-01-15 | 2024-04-12 | 深圳市金飞杰信息技术服务有限公司 | 一种基于无人机驾驶的视觉识别方法及其系统 |
CN117909850A (zh) * | 2024-03-18 | 2024-04-19 | 中铁电气化局集团有限公司 | 一种基于融合算法的承力索支撑装置振动信号处理方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102062747A (zh) * | 2010-11-15 | 2011-05-18 | 湖南大学 | 基于压电陶瓷和小波包分析的钢管混凝土构件钢管壁剥离监测方法 |
CN102507655A (zh) * | 2011-10-24 | 2012-06-20 | 沈阳建筑大学 | 基于压电智能骨料的钢管混凝土结构密实性监测方法 |
JP2012229982A (ja) * | 2011-04-26 | 2012-11-22 | Toyo Constr Co Ltd | コンクリート構造体のヘルスモニタリング方法及び装置 |
CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
CN103472142A (zh) * | 2013-09-10 | 2013-12-25 | 河海大学 | 一种水工混凝土结构损伤主动监测装置及方法 |
CN103645210A (zh) * | 2013-11-22 | 2014-03-19 | 中建二局第一建筑工程有限公司 | 基于压电材料的钢管混凝土构件质量波动法监测施工工法 |
CN106932485A (zh) * | 2017-02-23 | 2017-07-07 | 长沙理工大学 | 一种基于压电智能骨料的预应力筋锈蚀深度监测方法 |
CN108061759A (zh) * | 2017-11-23 | 2018-05-22 | 河海大学 | 一种基于压电陶瓷的水工混凝土结构损伤识别方法 |
CN108896389A (zh) * | 2018-07-17 | 2018-11-27 | 北华大学 | 一种基于压电智能骨料的混凝土结构损伤监测方法 |
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110849724A (zh) * | 2019-11-23 | 2020-02-28 | 福州大学 | 一种用于装配式混凝土剪力墙损伤识别的概率成像方法 |
CN110916716A (zh) * | 2019-12-30 | 2020-03-27 | 龙岩学院 | 一种可穿戴式心音监测设备 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN111521681A (zh) * | 2020-05-25 | 2020-08-11 | 武汉理工大学 | 基于压电陶瓷剪切波能量损失的混凝土内部损伤评估方法 |
CN111581865A (zh) * | 2020-05-08 | 2020-08-25 | 成都山地环安防灾减灾技术有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
CN111860106A (zh) * | 2020-05-28 | 2020-10-30 | 江苏东印智慧工程技术研究院有限公司 | 一种无监督的桥梁裂缝识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987728B2 (en) * | 2006-07-07 | 2011-08-02 | The University Of Houston System | Piezoceramic-based smart aggregate for unified performance monitoring of concrete structures |
US8577830B2 (en) * | 2010-11-24 | 2013-11-05 | Technion Research And Development Foundation Ltd. | Method for detection of tunnel excavation by brillouin optical time domain reflectometry using multiple underground optical fibers |
-
2020
- 2020-11-24 CN CN202011331569.8A patent/CN112362756B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102062747A (zh) * | 2010-11-15 | 2011-05-18 | 湖南大学 | 基于压电陶瓷和小波包分析的钢管混凝土构件钢管壁剥离监测方法 |
JP2012229982A (ja) * | 2011-04-26 | 2012-11-22 | Toyo Constr Co Ltd | コンクリート構造体のヘルスモニタリング方法及び装置 |
CN102507655A (zh) * | 2011-10-24 | 2012-06-20 | 沈阳建筑大学 | 基于压电智能骨料的钢管混凝土结构密实性监测方法 |
CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
CN103472142A (zh) * | 2013-09-10 | 2013-12-25 | 河海大学 | 一种水工混凝土结构损伤主动监测装置及方法 |
CN103645210A (zh) * | 2013-11-22 | 2014-03-19 | 中建二局第一建筑工程有限公司 | 基于压电材料的钢管混凝土构件质量波动法监测施工工法 |
CN106932485A (zh) * | 2017-02-23 | 2017-07-07 | 长沙理工大学 | 一种基于压电智能骨料的预应力筋锈蚀深度监测方法 |
CN108061759A (zh) * | 2017-11-23 | 2018-05-22 | 河海大学 | 一种基于压电陶瓷的水工混凝土结构损伤识别方法 |
CN108896389A (zh) * | 2018-07-17 | 2018-11-27 | 北华大学 | 一种基于压电智能骨料的混凝土结构损伤监测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110849724A (zh) * | 2019-11-23 | 2020-02-28 | 福州大学 | 一种用于装配式混凝土剪力墙损伤识别的概率成像方法 |
CN110916716A (zh) * | 2019-12-30 | 2020-03-27 | 龙岩学院 | 一种可穿戴式心音监测设备 |
CN111581865A (zh) * | 2020-05-08 | 2020-08-25 | 成都山地环安防灾减灾技术有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
CN111521681A (zh) * | 2020-05-25 | 2020-08-11 | 武汉理工大学 | 基于压电陶瓷剪切波能量损失的混凝土内部损伤评估方法 |
CN111860106A (zh) * | 2020-05-28 | 2020-10-30 | 江苏东印智慧工程技术研究院有限公司 | 一种无监督的桥梁裂缝识别方法 |
Non-Patent Citations (6)
Title |
---|
Optimal design of interior perma- nent magnet synchronous motor considering the manufacturing tolerances using Taguchi robust design;LEE S;Electric Power Applications;第8卷(第1期);23-28页 * |
基于小波包能量谱的结构损伤预警方法试验研究;刘涛;李爱群;丁幼亮;李枝军;费庆国;;振动与冲击;20090425(第04期);全文 * |
李俊林.基于稀疏分解的故障特征提取方法研究.2020,77页至96页. * |
混凝土检测的超声波发射系统研究与设计;伍硕群;樊可清;;五邑大学学报(自然科学版);20090515(第02期);全文 * |
爆炸作用下RC柱损伤快速评估模型;李忠献;钟波;师燕超;;天津大学学报(自然科学与工程技术版);20141115(第11期);全文 * |
纳米材料的装配式混凝土结构界面损伤监测试验研究;张明;《传感器与微系统》;第40卷(第9期);41-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112362756A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112362756B (zh) | 一种基于深度学习的混凝土结构损伤监测方法及系统 | |
CN112364779B (zh) | 信号处理与深-浅网络多模型融合的水声目标识别方法 | |
CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
Jiang et al. | A decentralized unsupervised structural condition diagnosis approach using deep auto‐encoders | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN110702418A (zh) | 航空发动机故障预测方法 | |
CN112365885B (zh) | 唤醒模型的训练方法、装置和计算机设备 | |
Javadi et al. | Modelling stress–strain and volume change behaviour of unsaturated soils using an evolutionary based data mining technique, an incremental approach | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
CN113609955A (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
Jiang et al. | Structural damage detection by integrating data fusion and probabilistic neural network | |
Moeinifard et al. | Lost vibration test data recovery using convolutional neural network: a case study | |
CN114118586A (zh) | 基于CNN-Bi LSTM的电机故障预测方法及系统 | |
CN106251375A (zh) | 一种通用隐写分析的深度学习堆栈式自动编码方法 | |
Chamangard et al. | Transfer learning for CNN-based damage detection in civil structures with insufficient data | |
CN113159088B (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
Kannadaguli et al. | Microwave imaging based automatic crack detection system using machine learning for columns | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
Arjun et al. | Artificial neural network-based estimation of peak ground acceleration |
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 |