CN114118249A - 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 - Google Patents
基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 Download PDFInfo
- Publication number
- CN114118249A CN114118249A CN202111387865.4A CN202111387865A CN114118249A CN 114118249 A CN114118249 A CN 114118249A CN 202111387865 A CN202111387865 A CN 202111387865A CN 114118249 A CN114118249 A CN 114118249A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- whale
- encoder
- structural damage
- dsae
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (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
本发明公开了一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法。包括以下步骤:S1,布设结构监测系统,测量结构在不同健康状态下的振动加速度响应;S2,进行数据预处理,获得频域响应的主成分数据集;S3,针对S2中每个传感器的数据集,构建由增强型鲸鱼优化算法进行网络模型参数优化的堆叠自编码器EWOA‑DSAE模型,用以进行特征分析。计算各传感器信号对应EWOA‑DSAE模型的准确预测概率值,进行初步损伤诊断;S4,将S3中获得的不同传感器对应的预测概率运用于D‑S融合算法中,形成对结构损伤诊断分析的最终决策。本发明提出的方法能够有效的优化DSAE模型,融合多传感器的诊断信息,显著提高结构损伤诊断的精度。
Description
技术领域
本发明涉及结构健康监测中的损伤诊断技术领域,具体涉及一种基于优化堆叠自编码器深度学习模型和多传感器测量信号融合的结构损伤诊断方法。
背景技术
针对建筑、桥梁等土木工程结构的健康监测,是保障相应基础设施安全运营与科学维护的重要手段。基于结构振动响应的健康监测方法因其便利性及可行性,受到国内外学者的广泛研究且获得了一定的工程应用。因结构损伤引起的例如刚度降低等物理特性变化,会导致结构振动特性的改变。因此,针对不同结构状态下测量的结构振动响应进行数据挖掘分析,能够实现结构健康评估及损伤诊断。结构健康监测的方法主要包括基于物理模型和基于数据驱动的两大类。其中,基于物理模型的方法需要建立准确的结构仿真模型,在实现中往往不易实现。基于数据驱动的方法,利用测量的结构时域、频域响应等,结合有效的数据处理方法,构建振动响应特性和结构健康状态的映射,进而实现损伤诊断的目的。随着计算机科学的发展,基于海量振动监测数据和机器学习方法的结构健康监测研究受到极大的关注。
深度学习作为机器学习的一个重要子域,近些年来在结构健康监测等领域取得了显著的成效。在结构损伤诊断领域应用的深度学习方法主要包括了,递归神经网络(RNN)、生成式对抗网络(GAN),区域卷积神经网络(R-CNN)和堆叠自编码器(SAE)等。其中,SAE是结构振动信号处理提取损伤特征最常用的方法之一。
虽然以上一阶深度学习算法在结构损伤诊断方面表现出良好的性能,但是它们的识别精度受到许多因素的影响。其中深度学习算法涉及的模型超参数设置是主要影响因素。根据不同超参数建立的深度学习模型会导致识别结果有很大的差别。因此,如何配置算法参数的最佳值,是深度学习方法在结构损伤诊断应用中的一大难点。鲸鱼优化法(WOA)是Mirjalili和Lewis提出的一种新颖的启发式优化算法,它基于对座头鲸捕猎行为的数学模拟,每条座头鲸的位置代表了一个可行的解决方案。WOA的数学模型主要包括三种行为:包围猎物、气泡网利用和猎物搜索。尽管WOA因其易于实现的优点而被广泛应用于解决各种工程问题,但在处理复杂的优化问题时,它存在收敛速度慢和计算精度低的问题。
另外,为了实现对结构状态的准确和综合评估,需要收集和分析来自不同位置的多个传感器的振动信号。但是,受传感器自身故障或部署位置等环境不确定性的影响,不同传感器的诊断结果可能会有所不同,有时甚至会相互矛盾,为结构健康状态的准确评估增加了挑战。
发明内容
为了避免上述深度学习模型超参数设置以及各传感器测量信号分析结果差异性带来的损伤诊断结果不准确的问题,本发明提出一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,从而提高结构损伤诊断的精度。
本发明为一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于具体步骤如下:
S1:对被测结构不同健康状态下的振动信号进行测量采集。通过在结构多个监测点布设加速度计,测量结构在特定的位置和方向上的振动加速度数据,获取Ncc种不同结构健康状态下对应的n个传感器测量通道的数据,每种状态下的测量次数为M。
S2:对获取的监测响应数据进行预处理,主要为利用傅里叶变换获得频域响应,并采用主成分分析对频域响应数据进行去噪和降维。通过丢弃贡献小的主成分,消除了原始数据集中的冗余信息,获得频域响应的主成分数据集。
S3:针对S2中每个传感器的信号主成分数据集,构建由增强型鲸鱼优化算法(EWOA)进行网络模型参数优化的堆叠自编码器(EWOA-DSAE)深度学习模型,用以进行特征分析。堆叠自编码器模型,包含了编码器和解码器,分别由输入/输出层、隐藏层和它们之间的映射函数组成。模型的超参数包括各隐藏层神经元的数量HLN、权重惩罚因子λ、舍弃(dropout)概率dr和学习率lr,通过提出的增强型鲸鱼优化算法进行优化确定。利用优化的超参数构建各传感器数据对应的深度学习模型EWOA-DSAE-i(i=1,2,…,n),计算准确预测的概率值及结构损伤的初步诊断结果。
S4:将S3中获得的各传感器测量信号对应的预测概率作为基本概率赋值运用于Dempster-Shafer(D-S)融合算法中,形成对结构损伤诊断分析的最终决策。
步骤S3所述增强型鲸鱼优化算法(EWOA)在传统鲸鱼优化算法的基础上作出了改进,解决传统方法存在的收敛速度慢和计算精度低的问题。增强型方法在两方面进行了改进,具体包括:
1)在原有的鲸鱼优化算法中增加了自适应惯性权重以增强算法的局部搜索能力,自适应惯性权重可表示为公式(1)。
其中,iwmax和iwmin分别表示最大和最小惯性权重;t表示当前迭代次数;Tmax表示最大迭代次数。从公式(1)可以看出,惯性权重随着迭代次数的增加而非线性减小。在初始迭代阶段,惯性权重值较大,因此算法具有良好的全局搜索能力,使得鲸鱼快速逼近猎物的近似区域(最佳解);然后,在迭代后期惯性权重的值逐渐减小,表明其具有良好的局部搜索能力,可以有效地提高优化结果的准确性。
2)采用阿基米德螺旋曲线代替原有方法中的对数螺旋曲线,以提高其搜索空间;阿基米德螺旋曲线的数学表达式为公式(2):
其中,a0,b是定义螺旋形状的常数;l表示0到1之间的随机数;
构建出新的鲸鱼气泡网利用行为可表达为公式(3):
其中,X*(t)表示鲸鱼当前的最佳位置,即最优结果;X(t)表示鲸鱼当前的位置;a是一个值从2递减到0的变量;r表示0到1之间的随机数;p是0到1之间的随机数;A为系数向量。。
步骤S3中,鲸鱼猎物搜索的表达式如公式(4):
X(t+1)=Xrand-A·|2r·Xrand-X(t)| (4)
其中,Xrand表示随机选择的鲸鱼的位置;如果|A|<1,鲸鱼将进行气泡网利用行为;如果|A|≥1,鲸鱼会进行猎物搜索行为。
基于以上分析,加强型鲸鱼优化算法的计算过程包括:
S3.1设置鲸群大小Np和最大迭代次数Nmax,初始化算法参数:a、r、l、a0、b和p;
S3.2计算Np鲸鱼的适应度值并进行比较,得到适应度最好的最优个体,用X*表示;
S3.3进入算法的主循环,如果|A|<1,则根据公式(3)更新鲸鱼的位置;如果|A|≥1,则根据公式(4)更新鲸鱼的位置;
S3.4重新评估群体中所有鲸鱼的适应度值,以找到具有相应位置的全局最优个体。如果当前最优适应度优于前一个,则用当前最优位置替换前一个最优位置。否则,保持最优个体和位置不变;
S3.5检查算法停止标准,以最大迭代次数作为终止标准。如果当前迭代次数大于最大次数,则算法终止;否则,转到步骤S3.2并继续算法迭代;
S3.6输出最优解X*。
步骤S3中DSAE模型超参数的优化需要设置一个合理的目标函数,本方法采用模型损失函数进行目标函数的设计。目标函数可表示为公式(5)。
其中和yk表示第k个样本的预测和真实情况;xk表示第k个输入;Ntr表示训练样本数;I{·}为指标函数,当输入为真时,其值为1;否则,其值为0。表示基于softmax分类的预测结果属于真实标签的概率,其表达式为公式(6):
步骤S4中,将S3中获得的各传感器信号对应的EWOA-DSAE-i模型概率结果作为D-S算法中构建基本概率赋值的单独证据,多个传感器部署在不同位置的证据组合可以有效提高结构状态的诊断精度。
本发明的有益效果具体如下:
1)提出了一种增强型鲸鱼优化算法对堆叠自编码器模型所需的超参数进行优化设置,应用于结构损伤诊断方面。该优化方法相较于传统的鲸鱼优化算法和粒子群算法,能够确定更加适宜的超参数。
2)与固定超参数的一维卷积神经网络、支持向量机等机器学习模型相比较,所提出的增强型鲸鱼优化-堆叠自编码器(EWOA-DSAE)具有更出色的特征提取能力,及更高的结构损伤诊断精度。
3)增强型鲸鱼优化-堆叠自编码器与基于D-S多信号融合算法的结合,即使在传感器部署数量有限、不确定度高的情况下,也能提高诊断的精度,增强结构损伤诊断的可靠度。
附图说明
图1为悬臂梁结构试验模型图;
图2为结构上的传感器布置图;
图3为振动试验流程示意图;
图4为原始输入特征的3维t-SNE散点图;
图5为第一隐藏层神经元数量HLN1的优化过程图;
图6为第二隐藏层神经元数量HLN2的优化过程图;
图7为第三隐藏层神经元数量HLN3的优化过程图;
图8为舍弃概率dr的优化过程图;
图9为权重惩罚因子λ的优化过程图;
图10为学习率lr的优化过程图;
图11为三种优化方法在超参数优化过程中的收敛性;
图12为EWOA-DSAE模型第三隐藏层输出特征的3维t-SNE散点图;
图13为考虑3传感器融合后的模型验证混淆矩阵图;
图14为考虑4传感器融合后的模型验证混淆矩阵图;
图15为本发明所述基于优化堆叠自编码器和多信号融合的结构损伤诊断方法的实施流程图。
具体实施方式
下面结合说明书附图进一步说明本发明所述结构损伤诊断方法的实施方式。
实施例:第一步,通过传感器与健康监测系统获取结构振动加速度响应数据。
附图1所示为依据某真实桥梁的梁单元构件制作的试验模型。试件为钢混组合悬臂梁,总长度为1600mm,梁中段有一竖向支承点距离悬臂端1000mm。按照附图2所以位置布置10个压电式加速度计(A1至A10)。利用角磨机在附图2所示裂缝位置施加裂纹,构造不同程度的结构状态。依据施加的裂纹情况,一共设置5种结构状态,即(1)无损状态CS1:无裂纹;(2)小损伤状态CS2:裂纹长度75mm;(3)中等损伤状态CS3:裂纹长度150mm;(4)大损伤状态CS4:裂纹长度225mm;以及(5)严重损伤状态CS5:裂纹长度270mm。在各种健康状态下分别按照附图3的试验流程进行振动测试,收集结构在不同位置的振动数据。在一固定的锤击点进行150次锤击试验,将实验数据用于模型训练;在其它5个不同的锤击点分别进行10次锤击试验,将测量数据作为验证数据用于模型验证。每次试验测量的时域数据长度为16000个,最终进行1000次振动数据采集试验,且训练样本与验证样本的比例为3:1。
第二步,将测量的时域响应数据转换成频域响应,每组频域响应的数据为4000;利用主成分分析,将频域响应投影为数据长度为200的主成分。频域响应主成分将作为堆叠自编码器模型的输入。对应于五种结构健康状态,模型的输出变量定义为(1,0,0,0,0),(0,1,0,0,0),(0,0,1,0,0),(0,0,0,1,0),和(0,0,0,0,1)。以传感器A1的测量数据为例,作为输入特征对应的三维t-SNE散点图如附图4所示。从图中可以观察到,各种工况下的主成分数据混杂在一起,很难区分对应的结构状态。
第三步,针对来自各个传感器的信号数据,构建由增强型鲸鱼优化算法进行网络模型参数优化的堆叠自编码器(EWOA-DSAE)深度学习模型。所构建的学习模型包括了输入层、输出层以及具有降维配置的三个隐藏层。基于训练数据建立模型所需要的超参数,包括各隐藏层神经元的数量HLN1、HLN2、HLN3,舍弃概率dr、权重惩罚因子λ和学习率lr,通过所提出的增强型鲸鱼优化算法进行优化确定。增强型鲸鱼优化算法的参数设置为:鲸鱼群大小Np=30,最大迭代次数Nmax=100,a0=b=1。针对传感器A1的模型参数优化,各超参数的优化过程如附图5至10所示,可见六个参数的值在第21次迭代左右就达到最佳。附图11比较了三种方法在超参数优化过程中的收敛性。结果表明所提出的增强型鲸鱼优化在精度和收敛性方面都是最优的。
针对每一个传感器,分别利用优化的参数构建具有三层隐藏层的自编码模型,表示为EWOA-DASAE-i,(i=1,2,…,10)。A1传感器的数据经过三层的特征提取后,第三隐藏层输出的特征结果如附图12所示。从图中可以观察到,对应于5种结构健康状态的特征经过所建模型分析提取后完全分散开。表明所提出的模型在处理不同工况的振动信号时,具有出色的特征提取能力和聚类性能。
为了说明所提出的EWOA-DSAE相对于其他机器学习方法的准确性,将利用A1的测量数据进行比较研究。用于比较研究的模型包括具有恒定预设超参数的标准DASE、一维卷积神经网络(1D-CNN)和支持向量机(SVM)。损伤诊断结果显示,所提出的模型预测的验证样本的整体准确率为94.4%,高于标准DASE的91.2%,1D-CNN的93.6%,以及SVM的89.6%。
表1各传感器对应的EWOA-DSAE模型识别结果:
表1给出了10个传感器数据对应的所有EWOA-DASAE模型在训练、验证和整体数据样本的识别精度。值得注意的是,大多数模型对训练样本具有令人满意的预测性能(>90%),除了EWOA-DSAE-2、EWOA-DSAE-4、EWOA-DSAE-6、和EWOA-DSAE-10之外。主要是因为这四个加速度计受到部署位置的影响,降低了测量数据的质量和开发模型的训练精度。
第四步,将D-S算法用来融合多个EWOA-DSAE模型的输出以获得最终结果。考虑两种传感器布置工况。第一种为A1,A2,A10三传感器布置工况,第二种为A5,A6,A7,A8四传感器布置工况。在每种工况下,只有利用相应传感器采集的数据进行分析。第一种传感器布置工况下,利用构建的EWOA-DASAE-i(i=1,2,10)模型求得的对应于各结构健康状态的概率结果,作为D-S算法中构建基本概率赋值的单独证据进行融合。针对这三个传感器验证数据的学习模型混淆矩阵如附图13所示。结果显示针对验证样本的结构损伤诊断准确率提高到了96.4%。相较于只考虑EWOA-DASAE-2的84.8%或只考虑EWOA-DASAE-10的76.8%,三个传感器融合结果的准确率有了极大的提高。类似的,考虑第二种传感器布置工况,融合EWOA-DASAE-i(i=5,6,7,8)模型分析的验证数据混淆矩阵如附图14所示。结果显示针对验证样本的结构损伤诊断准确率提高到了98.8%,高于表1中各传感器的识别精度。
Claims (5)
1.一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于,包括以下步骤:
S1:首先布设结构监测系统,利用n个加速度传感器获取结构在不同健康状态下的振动响应数据;
S2:对监测的振动响应数据进行预处理,获得频域响应的主成分数据集;
S3:针对S2中每个传感器的信号主成分数据集,构建由增强型鲸鱼优化算法(EWOA)进行网络模型参数优化的堆叠自编码器(EWOA-DSAE)深度学习模型;利用优化的超参数构建各传感器数据对应的深度学习模型EWOA-DSAE-i(i=1,2,…,n),计算准确预测的概率值及结构损伤的初步诊断结果;
S4:将S3中获得的各传感器测量信号对应的预测概率作为基本概率赋值运用于Dempster-Shafer(D-S)融合算法中,形成对结构损伤诊断分析的最终决策。
2.根据权利要求1所述的一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于:所述步骤S3中的增强型鲸鱼优化算法进行的网络模型超参数优化,具体过程如下:
其中,iwmax和iwmin分别表示最大和最小惯性权重;t表示当前迭代次数;Tmax表示最大迭代次数;
2)采用阿基米德螺旋曲线代替原方法中的对数螺旋曲线,对应曲线的数学表达式为:
其中,a0,b是定义螺旋形状的常数;l表示0到1之间的随机数;
3)形成新的鲸鱼气泡网利用行为可表达为:
其中,X*(t)表示鲸鱼当前的最佳位置,即最优结果;X(t)表示鲸鱼当前的位置;a是一个值从2递减到0的变量;r表示0到1之间的随机数;a0,b是定义螺旋形状的常数;l表示0到1之间的随机数;p是0到1之间的随机数;A为系数向量。
3.根据权利要求2所述的一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于:所述增强型鲸鱼优化法的计算过程如下:
S2.1:设置鲸群大小Np和最大迭代次数Nmax,并初始化算法参数:a、r、l、a0、b和p;
S2.2:计算Np鲸鱼的适应度值并进行比较,得到适应度最好的最优个体,用X*表示;
S2.3:进入算法的主循环:如果|A|<1,则根据公式(3)更新鲸鱼的位置;如果|A|≥1,则根据猎物搜索行为更新鲸鱼的位置;
S2.4:重新评估群体中所有鲸鱼的适应度值,以找到具有相应位置的全局最优个体,如果当前最优适应度优于前一个,则用当前最优位置替换前一个最优位置;否则,保持最优个体和位置不变;
S2.5:检查算法停止标准:利用最大迭代作为终止标准,如果当前迭代次数大于最大次数,则算法终止;否则,转到步骤S2.4并继续算法迭代;
S2.6:输出最优解X*。
4.根据权利要求1所述的一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于,所述步骤S3中提出的优化堆叠自编码器,具体如下:
1)利用增强型鲸鱼优化法对每个传感器的输入数据建立优化堆叠自编码器EWOA-DSAE,所优化的自编码器超参数包括各隐藏层神经元的数量HLN、权重惩罚因子λ、舍弃概率dr和学习率lr;
2)采用DSAE模型损失函数作为超参数优化所需的目标函数,可表示为:
其中,和yk表示第k个样本的预测和真实情况;xk表示第k个输入;Ntr表示训练样本数;I{·}为指标函数,当输入为真时,其值为1;否则,其值为0;表示基于softmax分类的预测结果属于真实标签的概率,其表达式为:
5.根据权利要求1所述的一种基于优化堆叠自编码器和多信号融合的结构损伤诊断方法,其特征在于,所述步骤S4中的基于Dempster-Shafer融合算法的多信号融合,具体是将步骤S3中获得的各传感器测量信号对应的EWOA-DSAE-i(i=1,2,…,n)模型概率结果作为Dempster-Shafer算法中基本概率赋值的单独证据,融合多传感器的结果,形成最终结构损伤诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387865.4A CN114118249A (zh) | 2021-11-22 | 2021-11-22 | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387865.4A CN114118249A (zh) | 2021-11-22 | 2021-11-22 | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118249A true CN114118249A (zh) | 2022-03-01 |
Family
ID=80439368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387865.4A Pending CN114118249A (zh) | 2021-11-22 | 2021-11-22 | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118249A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070105A (zh) * | 2023-03-17 | 2023-05-05 | 湖北工业大学 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
-
2021
- 2021-11-22 CN CN202111387865.4A patent/CN114118249A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070105A (zh) * | 2023-03-17 | 2023-05-05 | 湖北工业大学 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN113159264B (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
Bao et al. | A Deep Transfer Learning Network for Structural Condition Identification with Limited Real‐World Training Data | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN115577436A (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
Mantawy et al. | Convolutional neural network based structural health monitoring for rocking bridge system by encoding time‐series into images | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN117251926B (zh) | 一种地震响应预测的地震动强度指标优选方法 | |
JP6846369B2 (ja) | 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
CN115392349A (zh) | 掘进机的截割部的故障诊断方法、装置和掘进机 | |
CN113159282B (zh) | 一种基于交叉模态置信准则矩阵的桥梁模态参数智能更新方法 | |
Yang et al. | Layout optimization of box girder with RBF-NNM-APSO algorithm | |
CN114357855A (zh) | 基于平行卷积神经网络的结构损伤识别方法和装置 | |
CN113570111A (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 | |
Hao et al. | Damage localization and quantification of a truss bridge using PCA and convolutional neural network |
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 |