CN113029327A - 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 - Google Patents

基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 Download PDF

Info

Publication number
CN113029327A
CN113029327A CN202110254553.XA CN202110254553A CN113029327A CN 113029327 A CN113029327 A CN 113029327A CN 202110254553 A CN202110254553 A CN 202110254553A CN 113029327 A CN113029327 A CN 113029327A
Authority
CN
China
Prior art keywords
attention
channel
feature
tunnel
metric
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.)
Granted
Application number
CN202110254553.XA
Other languages
English (en)
Other versions
CN113029327B (zh
Inventor
韩坤林
邹小春
孙铁元
张朋
刘大洋
缪庆旭
斯新华
陈春波
南林
王宝松
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.)
China Merchants Chongqing Highway Engineering Testing Center Co ltd
Original Assignee
China Merchants Chongqing Highway Engineering Testing Center Co ltd
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 China Merchants Chongqing Highway Engineering Testing Center Co ltd filed Critical China Merchants Chongqing Highway Engineering Testing Center Co ltd
Publication of CN113029327A publication Critical patent/CN113029327A/zh
Application granted granted Critical
Publication of CN113029327B publication Critical patent/CN113029327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

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

Abstract

本发明涉及一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，属于隧道风机检测领域，包括以下步骤：S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；S2：将一维振动时域信号进行傅氏变换得到频域信号，进而得到传递函数并将其划分为训练集和测试集；S3：基于MIA‑CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；S5：使用通过验证的隧道射流风机预埋基础损伤识别模型进行隧道射流风机预埋基础损伤识别。

Description

基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别 方法
技术领域
本发明属于隧道风机检测技术领域，涉及一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法。
背景技术
随着公路交通的迅速发展，公路隧道大量修建，公路隧道普遍设置有机械通风装置，而其中95％以上采用了悬挂式射流通风，所以悬挂的射流风机预埋基础的稳定性得到了人们的高度重视。
如图1所示，公路隧道射流风机的预埋件包括设置在混凝土结构中的预埋钢筋A0，焊接在预埋钢筋A0上的预埋钢板A1，以及焊接在预埋钢板A1的安装支架A2，在所述安装支架A2上用螺栓固定射流风机A3。由于风机较重，且在运行中会产生一定的震动，对基础稳定性难免产生不良影响，所以有必要定期对预埋件基础的稳定性进行检测。
现有的风机预埋基础健康性检测方法，一般有以下2种方法：(1)作抗拉拔试验；(2)采用无损探伤(超声波或磁粉探伤)；(3)振动测试方法。
而现有的检测方法均存在缺陷：(1)作抗拉拔试验，由于风机体型较大，一般直径均在一米多，在风机已安装的条件下抗拔试验操作非常困难，且观测也非常困难。如果将风机卸下再作抗拔试验，工作量较大，试验周期也过长。(2)采用无损探伤，主要检测预埋钢板与安装支架之间连接的可靠性，实际上对预埋钢板与预埋钢筋之间连接的可靠性检测较为困难，且不能检测预埋钢筋和混凝土之间结合的松动情况。(3)中国专利CN106596025A提出了一种基于冲激响应的公路隧道悬挂风机基础健康性检测方法，将预埋基础稳定性分为一级、二级和三级，并给出各级状态下的预埋基础养护措施。该方法能解决由于风机自重、偏心、工况等差异导致的模型普适性的问题，可靠检测预埋件基础健康状况，但该方法在获得冲击响应信号后，还需要人工提取特征后进行模式识别或人为判断风机基础稳定性状态，判断结果依赖于工程师积累的经验，主观性较强，极易造成结果误判。故该技术推广应用难度大、不能普适于公路隧道悬挂风机基础稳定性检测的应用，其检测效率与智能化程度也较低。
发明内容
有鉴于此，本发明的目的在于提供一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，既能实现悬挂风机基础稳定性快速、检测，又不依赖于人的经验，实现风机基础稳定性智能化识别，还具有较好的普适性。
为达到上述目的，本发明提供如下技术方案：
一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，包括以下步骤：
S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；
S2：将一维振动时域信号进行傅里叶变换得到频域信号，进而得到传递函数值并将其划分为训练集和测试集：
Figure BDA0002964075770000021
上式中，H(w)为传递函数，X(w)为激励x(t)的傅里叶变换，Y(w)为响应y(t)的傅里叶变换；
S3：基于MIA-CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；
S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；
S5：使用通过验证的隧道射流风机预埋基础损伤识别模型进行隧道射流风机预埋基础损伤识别。
进一步，步骤S1中，所述隧道射流风机基础健康检测系统包括动加速度传感器、数据采集仪、试验力锤、通信单元和采集终端；
所述加速度传感器用于获取振动加速度信号，将加速度转化为电量信号；所述数据采集仪用于将电量信号转化为数字信号，并通过通信单元传输到采集终端；所述试验力锤一方面用于激励预埋基础，另一方面通过内置传感器采集力信号；采集终端用于格式化存储、查看和分析数据。
进一步，所述步骤S2具体包括：
将所述训练集和测试集的数据比例设为9:1，训练集中每次试验结果Q的标签分为三类，Q＝1，预埋基础健康状态等级达一级，预埋基础整体健康状态良好，无松动；Q＝2，预埋基础健康状态等级达二级，预埋基础整体健康状态良好，部分测点松动；当Q＝3，预埋基础健康状态等级达三级，预埋基础整体健康状态较差，松动。
进一步，步骤S3中所述的MIA-CNN网络为一种引入度量注意力机制的改进卷积神经网络，包括通道注意力子模块、空间注意力子模块和通道度量损失子模块。
进一步，所述通道注意力子模块利用平均值池化和最大值池化对输入特征F在空间维度上进行压缩，聚合特征映射的空间信息来生成通道特征图，再以多层感知器对通道特征图的每个通道的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的通道，从而学习到通道注意力加权融合权值Mc(F)；输入特征F与通道注意力加权融合权值Mc(F)相乘得到通道注意力加权特征F'；通道注意力子模块的实现过程表达为：
Figure BDA0002964075770000031
Figure BDA0002964075770000032
式(1)中
Figure BDA0002964075770000033
和
Figure BDA0002964075770000034
分别为F通过最大池化和平均池化得到的通道特征图，MLP为多层感知器，sigmoid为激活函数。
进一步，所述空间注意力子模块利用平均值池化和最大值池化对通道注意力加权特征F'在通道上进行压缩，聚合功能映射的通道信息合并成空间特征图，再以卷积层对空间特征图中每个特征点的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的特征区域，从而学习到空间注意力加权融合权值Ms(F')；通道注意力加权特征F'与空间注意力加权融合权值Ms(F')相乘得到空间注意力加权特征F"；空间注意力子模块的实现过程表达为：
Figure BDA0002964075770000035
Figure BDA0002964075770000036
式(3)中
Figure BDA0002964075770000037
和
Figure BDA0002964075770000038
分别为F'通过最大池化和平均池化得到的空间特征图，Conv为卷积层。
进一步，所述度量损失子模块分别在通道注意力加权特征F'和空间注意力加权特征F"上加入度量损失，通过通道度量损失和空间度量损失来反向引导通道注意力权重和空间注意力权重的优化过程，提升最终提取的特征的聚类效果；通道度量损失和空间度量损失具有相同的计算过程，均为计算特征加权后数据的分布散度，具体计算过程如下：
设数据有M个类别，分别为Ω1,Ω2,...,ΩM，设第i类样本集Ωi有Ni个样本：
Figure BDA0002964075770000039
则样本集Ωi的类内距离
Figure BDA0002964075770000041
为：
Figure BDA0002964075770000042
式(6)中，m(i)是样本集Ωi的均值，则数据的类内距离Dw定义为：
Figure BDA0002964075770000043
式(7)中，P(Ωi)是样本集Ωi中样本数占样本总数的比例；定义第i类样本集Ωi与第j类样本集Ωj之间的类间距离
Figure BDA0002964075770000044
为：
Figure BDA0002964075770000045
则数据的综合类间距离Db定义为：
Figure BDA0002964075770000046
定义度量损失为
Figure BDA0002964075770000047
式(11)中，s为度量损失尺度调节因子，λ为度量损失衰减调节因子。
进一步，步骤S3中所述隧道射流风机预埋基础损伤识别模型包括三个卷积层，两个MIA-CNN网络及两层全连接层；
S31：采用合适尺寸的卷积核对数据进行特征提取；其中，通过前期试验对比分析得出，较大的感受野能有效获取足够长的频段中的有用信息，特征蕴含更为全局，前几层卷积层采用较大尺寸的卷积核，卷积核的尺寸随着网络层数的增加逐渐减小；
S32：在进行卷积、池化和批标准化BN操作之后，将得到的高维特征输入MIA-CNN网络，对特征中不同通道与不同空间进行动态融合加权的同时，得到该层的度量损失；其中，度量注意力模块的输入特征F、通道注意力加权特征F'和空间注意力加权特征即输出特征F"的维度一致；通道度量损失对通道注意力加权特征F'的聚类程度进行计算；空间度量损失对空间注意力加权特征F"的聚类程度进行计算；
S33：将步骤S32中得到的空间注意力加权特征F"再次进行卷积、池化和批标准化BN操作，并再次输入MIA-CNN网络，得到结果后再一次进行卷积、池化和批标准化操作；
S34：将经三个卷积层得到的特征拉伸输入两层全连接层中得出模型的分类识别结果；在训练过程中，模型相应网络层通过通道度量损失与空间度量损失学习到卷积核值，使网络层具有聚类效果，有效增加不同类特征类内聚类性和类间差异性，从而提升输出特征的可辨识性。
本发明的有益效果在于：针对现有隧道射流风机预埋基础损伤识别方法人工经验依赖较强、还未实现智能化检测的问题，提出一种基于度量注意力卷积神经网络(MIA-CNN)的隧道射流风机预埋基础损伤识别方法，以系统的频率响应函数为输入信号、以MIA-CNN为特征提取和识别模型。采用该方法在检测公路隧道悬挂风机基础稳定性时，检测过程完全不影响设备的运行，无需卸下庞大的风机，操作简单，准确检测出预埋基础的稳定性状况，智能化程度高，试验结果直观可靠，符合保障公路隧道安全运行的需要。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为公路隧道风机安装结构示意图；
图2为本发明所述MIA-CNN网络结构示意图；
图3为本发明所述基于MIA-CNN网络的隧道射流风机预埋基础损伤识别模型结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，具体包括以下步骤：
S1：振动试验与信号采集
利用隧道射流风机基础健康检测系统进行振动试验并采集隧道射流风机的激励与响应振动信号；
其中中隧道射流风机基础健康检测系统具体包括：包括振动加速度传感器、数据采集仪、试验力锤、通信单元和采集软件。加速度传感器获取振动加速度信号，将加速度转化为电量信号；采集仪将电量信号转化为数字信号，并通过通信单元传输到采集软件；试验力锤一方面用于激励预埋基础，另一方面内置传感器可采集力信号；采集软件主要用于数据的格式化存储、数据查看、分析等。
S2：信号预处理与数据集制作
将一维振动时域信号进行傅氏变换得到频域信号，进而求得传递函数并将其划分为训练集和测试集。
Figure BDA0002964075770000061
上式中，H(w)为传递函数，X(w)为激励x(t)的傅里叶变换，Y(w)为响应y(t)的傅里叶变换。
将所述训练集和测试集的数据比例设为9:1，训练集中每次试验结果Q的标签分为三类，Q＝1，预埋基础健康状态等级达一级，预埋基础整体健康状态良好，无松动；Q＝2，预埋基础健康状态等级达二级，预埋基础整体健康状态良好，部分测点松动；当Q＝3，预埋基础健康状态等级达三级，预埋基础整体健康状态较差，松动。
S3：网络模型的建立与训练
搭建MIA-CNN网络，使用训练集进行模型训练，不断调整参数直至达到预期性能；
S4：测试集数据验证
MIA-CNN网络模型训练完成后，使用测试集进行隧道射流风机预埋基础损伤识别，验证模型的性能。
S5：模型应用
使用通过验证的模型进行应用，用于隧道射流风机预埋基础损伤识别。
其中，MIA-CNN网络属于一种改进卷积神经网络，如图2所示，具体改进为引入度量注意力机制，主要包括三个模块分别为：通道注意力模块、空间注意力模块和通道度量损失。
(1)通道注意力子模块
通道注意力子模块利用平均值池化和最大值池化对特征F在空间维度上进行压缩，聚合特征映射的空间信息来生成通道特征图，再以多层感知器对通道特征图的每个通道的信息贡献程度进行衡量，让模型特征提取过程中能更加关注信息贡献程度更高的通道，从而学习到通道注意力加权融合权值Mc(F)。输入特征F与通道注意力加权融合权值Mc(F)相乘即生成了通道注意力加权特征F'。通道注意力子模块的实现过程可以表达为：
Figure BDA0002964075770000071
Figure BDA0002964075770000072
式(1)中
Figure BDA0002964075770000073
和
Figure BDA0002964075770000074
分别为F通过最大池化和平均池化得到的通道特征图，MLP为多层感知器。sigmoid为激活函数。
(2)空间注意力子模块
与通道注意力子模块不同，空间注意力子模块利用平均值池化和最大值池化对通道注意力加权特征F'在通道上进行压缩，聚合功能映射的通道信息合并成空间特征图，再以卷积层对空间特征图中每个特征点的信息贡献程度进行衡量，让模型特征提取过程中能更加关注信息贡献程度更高的特征区域，从而学习到空间注意力加权融合权值Ms(F')。通道注意力加权特征F'与空间注意力加权融合权值Ms(F')相乘即生成了空间注意力加权特征F"。空间注意力子模块的实现过程可以表达为：
Figure BDA0002964075770000075
Figure BDA0002964075770000076
式(3)中
Figure BDA0002964075770000077
和
Figure BDA0002964075770000078
分别为F'通过最大池化和平均池化得到的空间特征图，Conv为卷积层。
(3)度量损失子模块
度量损失子模块分别在通道注意力加权特征F'和空间注意力加权特征F"上加入度量损失，通过通道度量损失和空间度量损失来反向引导通道注意力权重和空间注意力权重的优化过程，提升最终提取的特征的聚类效果。通道度量损失和空间度量损失具有相同的计算过程，均计算了特征加权后数据的分布散度。
设数据有M个类别，分别为Ω1,Ω2,...,ΩM，设第i类样本集Ωi有Ni个样本：
Figure BDA0002964075770000081
则样本集Ωi的类内距离
Figure BDA0002964075770000082
为：
Figure BDA0002964075770000083
式(6)中，m(i)是样本集Ωi的均值。则数据的类内距离Dw定义为：
Figure BDA0002964075770000084
式(7)中，P(Ωi)是样本集Ωi中样本数占样本总数的比例。定义第i类样本集Ωi与第j类样本集Ωj之间的类间距离
Figure BDA0002964075770000085
为：
Figure BDA0002964075770000086
则数据的综合类间距离Db定义为：
Figure BDA0002964075770000087
定义度量损失为
Figure BDA0002964075770000088
式(11)中，s为度量损失尺度调节因子，λ为度量损失衰减调节因子。
综上，基于MIA-CNN网络的隧道射流风机预埋基础损伤识别模型结构如图3所示。首先，采用合适尺寸的卷积核对数据进行特征提取；其中，通过前期试验对比分析得出，较大的感受野能有效获取足够长的频段中的有用信息，特征蕴含更为全局，前几层卷积层采用较大尺寸的卷积核，卷积核的尺寸随着网络层数的增加逐渐减小。其次，在进行卷积、池化和批标准化操作之后，将得到的高维特征输入度量注意力模块，对特征中不同通道与不同空间进行动态融合加权的同时，得到该层的度量损失；其中，度量注意力模块的输入特征F、通道注意力加权特征F'和空间注意力加权特征即输出特征F"的维度一致，通道度量损失对通道注意力加权特征F'的聚类程度进行计算，空间度量损失对空间注意力加权特征F"的聚类程度进行计算。最后，将经多个卷积层得到的特征拉伸输入两层全连接层中得出模型的分类识别结果。在训练过程中，模型相应网络层通过通道度量损失与空间度量损失学习到卷积核值，使网络层具有了一定聚类效果，有效增加不同类特征类内聚类性和类间差异性，从而提升输出特征的可辨识性。
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，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：包括以下步骤：
S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；
S2：将一维振动时域信号进行傅里叶变换得到频域信号，进而得到传递函数并将其划分为训练集和测试集：
Figure FDA0002964075760000011
上式中，H(w)为传递函数，X(w)为激励x(t)的傅里叶变换，Y(w)为响应y(t)的傅里叶变换；
S3：基于MIA-CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；
S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；
S5：使用通过验证的隧道射流风机预埋基础损伤识别模型进行隧道射流风机预埋基础损伤识别。
2.根据权利要求1所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：步骤S1中，所述隧道射流风机基础健康检测系统包括动加速度传感器、数据采集仪、试验力锤、通信单元和采集终端；
所述加速度传感器用于获取振动加速度信号，将加速度转化为电量信号；所述数据采集仪用于将电量信号转化为数字信号，并通过通信单元传输到采集终端；所述试验力锤一方面用于激励预埋基础，另一方面通过内置传感器采集力信号；采集终端用于格式化存储、查看和分析数据。
3.根据权利要求1所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：所述步骤S2具体包括：
将所述训练集和测试集的数据比例设为9:1，训练集中每次试验结果Q的标签分为三类，Q＝1，预埋基础健康状态等级达一级，预埋基础整体健康状态良好，无松动；Q＝2，预埋基础健康状态等级达二级，预埋基础整体健康状态良好，部分测点松动；当Q＝3，预埋基础健康状态等级达三级，预埋基础整体健康状态较差，松动。
4.根据权利要求1所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：步骤S3中所述的MIA-CNN网络为一种引入度量注意力机制的改进卷积神经网络，包括通道注意力子模块、空间注意力子模块和通道度量损失子模块。
5.根据权利要求4所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：所述通道注意力子模块利用平均值池化和最大值池化对输入特征F在空间维度上进行压缩，聚合特征映射的空间信息来生成通道特征图，再以多层感知器对通道特征图的每个通道的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的通道，从而学习到通道注意力加权融合权值Mc(F)；输入特征F与通道注意力加权融合权值Mc(F)相乘得到通道注意力加权特征F'；通道注意力子模块的实现过程表达为：
Figure FDA0002964075760000021
Figure FDA0002964075760000022
式(1)中
Figure FDA0002964075760000023
和
Figure FDA0002964075760000024
分别为F通过最大池化和平均池化得到的通道特征图，MLP为多层感知器，sigmoid为激活函数。
6.根据权利要求5所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：所述空间注意力子模块利用平均值池化和最大值池化对通道注意力加权特征F'在通道上进行压缩，聚合功能映射的通道信息合并成空间特征图，再以卷积层对空间特征图中每个特征点的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的特征区域，从而学习到空间注意力加权融合权值Ms(F')；通道注意力加权特征F'与空间注意力加权融合权值Ms(F')相乘得到空间注意力加权特征F"；空间注意力子模块的实现过程表达为：
Figure FDA0002964075760000025
Figure FDA0002964075760000026
式(3)中
Figure FDA0002964075760000027
和
Figure FDA0002964075760000028
分别为F'通过最大池化和平均池化得到的空间特征图，Conv为卷积层。
7.根据权利要求6所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：所述度量损失子模块分别在通道注意力加权特征F'和空间注意力加权特征F"上加入度量损失，通过通道度量损失和空间度量损失来反向引导通道注意力权重和空间注意力权重的优化过程，提升最终提取的特征的聚类效果；通道度量损失和空间度量损失具有相同的计算过程，均为计算特征加权后数据的分布散度，具体计算过程如下：
设数据有M个类别，分别为Ω1,Ω2,...,ΩM，设第i类样本集Ωi有Ni个样本：
Figure FDA0002964075760000031
则样本集Ωi的类内距离
Figure FDA0002964075760000032
为：
Figure FDA0002964075760000033
式(6)中，m(i)是样本集Ωi的均值，则数据的类内距离Dw定义为：
Figure FDA0002964075760000034
式(7)中，P(Ωi)是样本集Ωi中样本数占样本总数的比例；定义第i类样本集Ωi与第j类样本集Ωj之间的类间距离
Figure FDA0002964075760000035
为：
Figure FDA0002964075760000036
则数据的综合类间距离Db定义为：
Figure FDA0002964075760000037
定义度量损失为
Figure FDA0002964075760000038
式(11)中，s为度量损失尺度调节因子，λ为度量损失衰减调节因子。
8.根据权利要求7所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：步骤S3中所述隧道射流风机预埋基础损伤识别模型包括三个卷积层，两个MIA-CNN网络及两层全连接层；
S31：采用合适尺寸的卷积核对数据进行特征提取；其中，前几层卷积层采用较大尺寸的卷积核，卷积核的尺寸随着网络层数的增加逐渐减小；
S32：在进行卷积、池化和批标准化BN操作之后，将得到的高维特征输入MIA-CNN网络，对特征中不同通道与不同空间进行动态融合加权的同时，得到该层的度量损失；其中，度量注意力模块的输入特征F、通道注意力加权特征F'和空间注意力加权特征即输出特征F"的维度一致；通道度量损失对通道注意力加权特征F'的聚类程度进行计算；空间度量损失对空间注意力加权特征F"的聚类程度进行计算；
S33：将步骤S32中得到的空间注意力加权特征F"再次进行卷积、池化和批标准化BN操作，并再次输入MIA-CNN网络，得到结果后再一次进行卷积、池化和批标准化操作；
S34：将经三个卷积层得到的特征拉伸输入两层全连接层中得出模型的分类识别结果；在训练过程中，模型相应网络层通过通道度量损失与空间度量损失学习到卷积核值，使网络层具有聚类效果。
CN202110254553.XA 2021-03-02 2021-03-05 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 Active CN113029327B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021102312328 2021-03-02
CN202110231232 2021-03-02

Publications (2)

Publication Number Publication Date
CN113029327A true CN113029327A (zh) 2021-06-25
CN113029327B CN113029327B (zh) 2023-04-18

Family

ID=76467177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110254553.XA Active CN113029327B (zh) 2021-03-02 2021-03-05 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法

Country Status (1)

Country Link
CN (1) CN113029327B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358214A (zh) * 2021-08-10 2021-09-07 陕西高速电子工程有限公司 一种射流风机结构体故障检测方法及相关设备
CN114118142A (zh) * 2021-11-05 2022-03-01 西安晟昕科技发展有限公司 一种雷达脉内调制类型的识别方法
CN114266280A (zh) * 2021-12-29 2022-04-01 西安交通大学 一种基于改进卷积神经网络的螺栓松动状态识别方法
CN115146534A (zh) * 2022-06-29 2022-10-04 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183942A1 (en) * 2001-05-14 2002-12-05 Francois Lafleur Modal analysis method and apparatus therefor
US20150170540A1 (en) * 2013-12-18 2015-06-18 Combat Action LLC Weapons training system and methods for operating same
CN106596025A (zh) * 2016-12-06 2017-04-26 招商局重庆交通科研设计院有限公司 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统
US20190017911A1 (en) * 2017-07-11 2019-01-17 Qatar University Real-time structural damage detection by convolutional neural networks
WO2019089192A1 (en) * 2017-11-03 2019-05-09 Siemens Aktiengesellschaft Weakly-supervised semantic segmentation with self-guidance
CN109815892A (zh) * 2019-01-22 2019-05-28 武汉理工大学 基于cnn的分布式光纤光栅传感网络的信号识别方法
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
US20190332916A1 (en) * 2018-04-25 2019-10-31 Metropolitan Airports Commission Airport noise classification method and system
CN110458109A (zh) * 2019-08-13 2019-11-15 西南林业大学 一种基于图像识别技术的茶叶病害识别系统及工作方法
JP2019211391A (ja) * 2018-06-07 2019-12-12 株式会社東芝 距離計測装置、音声処理装置、振動計測装置、産業用コンピュータ断層撮影装置、および距離計測方法
CN110866907A (zh) * 2019-11-12 2020-03-06 中原工学院 基于注意力机制的全卷积网络织物疵点检测方法
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
CN111814706A (zh) * 2020-07-14 2020-10-23 电子科技大学 基于多任务卷积神经网络的人脸识别及属性分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183942A1 (en) * 2001-05-14 2002-12-05 Francois Lafleur Modal analysis method and apparatus therefor
US20150170540A1 (en) * 2013-12-18 2015-06-18 Combat Action LLC Weapons training system and methods for operating same
CN106596025A (zh) * 2016-12-06 2017-04-26 招商局重庆交通科研设计院有限公司 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统
US20190017911A1 (en) * 2017-07-11 2019-01-17 Qatar University Real-time structural damage detection by convolutional neural networks
WO2019089192A1 (en) * 2017-11-03 2019-05-09 Siemens Aktiengesellschaft Weakly-supervised semantic segmentation with self-guidance
US20190332916A1 (en) * 2018-04-25 2019-10-31 Metropolitan Airports Commission Airport noise classification method and system
JP2019211391A (ja) * 2018-06-07 2019-12-12 株式会社東芝 距離計測装置、音声処理装置、振動計測装置、産業用コンピュータ断層撮影装置、および距離計測方法
CN109815892A (zh) * 2019-01-22 2019-05-28 武汉理工大学 基于cnn的分布式光纤光栅传感网络的信号识别方法
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
CN110458109A (zh) * 2019-08-13 2019-11-15 西南林业大学 一种基于图像识别技术的茶叶病害识别系统及工作方法
CN110866907A (zh) * 2019-11-12 2020-03-06 中原工学院 基于注意力机制的全卷积网络织物疵点检测方法
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
CN111814706A (zh) * 2020-07-14 2020-10-23 电子科技大学 基于多任务卷积神经网络的人脸识别及属性分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王粉花 等: "基于多尺度和注意力融合学习的行人重识别", 《电子与信息学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358214A (zh) * 2021-08-10 2021-09-07 陕西高速电子工程有限公司 一种射流风机结构体故障检测方法及相关设备
CN114118142A (zh) * 2021-11-05 2022-03-01 西安晟昕科技发展有限公司 一种雷达脉内调制类型的识别方法
CN114266280A (zh) * 2021-12-29 2022-04-01 西安交通大学 一种基于改进卷积神经网络的螺栓松动状态识别方法
CN114266280B (zh) * 2021-12-29 2023-10-13 西安交通大学 一种基于改进卷积神经网络的螺栓松动状态识别方法
CN115146534A (zh) * 2022-06-29 2022-10-04 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法
CN115146534B (zh) * 2022-06-29 2024-01-19 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法

Also Published As

Publication number Publication date
CN113029327B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113029327B (zh) 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法
CN109357822B (zh) 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法
Zhang et al. Vortex‐induced vibration measurement of a long‐span suspension bridge through noncontact sensing strategies
CN102944416B (zh) 基于多传感器信号融合技术的风电机组叶片故障诊断方法
CN105424364A (zh) 列车轴承故障的诊断方法和装置
CN105862935B (zh) 一种用于挡土墙结构系统的损伤识别方法
CN113343541B (zh) 长大跨桥梁的涡激振动预警方法、装置及终端
CN104835102B (zh) 列车测速方案评价方法和装置
CN111830470B (zh) 联合标定方法及装置、目标对象检测方法、系统及装置
CN105019482B (zh) 一种用于隧道悬挂风机基础稳定性在线监测方法及系统
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN115830024B (zh) 基于图像分割的桥梁拉索微小运动振动检测方法
CN110321616B (zh) 基于小波变换和注意力模型的三跨杆塔故障诊断方法
CN115953436A (zh) 一种孕期宠物行为智能评估预警方法及系统
CN106596025B (zh) 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统
CN110991507A (zh) 基于分类器的道路地下空洞识别方法、装置及系统
CN114993434B (zh) 一种基于声信号的emd能量熵的车重识别系统和方法
CN103471870A (zh) 基于二维投射的特征指标对煤矿设备状态识别的敏感性和聚类性研究方法
CN110146276B (zh) 一种基于无线传感器的索力与抗弯刚度监测方法及系统
CN108053093A (zh) 一种基于平均影响值数据变换的k-近邻故障诊断方法
CN112816122A (zh) 基于深度学习和压电主动传感的螺栓松紧程度监测方法
CN110956764B (zh) 基于神经网络的地埋线破坏预警装置及预警方法
CN111695634A (zh) 一种基于有限陪审团机制的数据异常突变点检测算法
CN112781701A (zh) 一种对称重信息进行可信度评分的方法及系统
CN118839300B (zh) 基于机器学习混淆矩阵的路表损伤决策级融合识别方法

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