CN114186624A - 基于二维卷积神经网络的损伤识别模型建立方法及设备 - Google Patents
基于二维卷积神经网络的损伤识别模型建立方法及设备 Download PDFInfo
- Publication number
- CN114186624A CN114186624A CN202111492204.8A CN202111492204A CN114186624A CN 114186624 A CN114186624 A CN 114186624A CN 202111492204 A CN202111492204 A CN 202111492204A CN 114186624 A CN114186624 A CN 114186624A
- Authority
- CN
- China
- Prior art keywords
- damage
- data
- dimensional
- neural network
- frequency band
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/02—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
Abstract
本发明公开了一种基于二维卷积神经网络的损伤识别模型建立方法及设备,属于结构健康监测领域,包括:基于2DCNN构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;将数据集划分为训练集和测试集,二维数据为输入,以相应的质量损失量为标签信息,分别利用训练集和测试集对初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为损伤识别模型。本发明所建立的模型可对阻抗数据特征自动进行学习和提取、对有差异的电阻抗信息进行精确分类和量化,有利于实现对结构损伤的定量分析和表征。
Description
技术领域
本发明属于结构健康监测领域,更具体地,涉及一种基于二维卷积神经网络的损伤识别模型建立方法及设备。
背景技术
随着基础设施建设的快速发展,各种大型民用与工业建筑等纷纷涌现,并逐步走向多样化、高度化、复杂化和国际化。而在我国建筑发展的同时,与之增长的便是人们对于结构安全性要求的提高。对于目前的各类建筑而言,荷载作用逐渐复杂,其中包括直接荷载、间接荷载和偶然荷载作用,而这一系列荷载作用耦合在一起,往往导致结构的疲劳损伤,结构损坏和抗力减退。除此之外,建筑物在其使用期间,也可能会受到其自身与外界因素的各种影响,例如建筑物自身的老化,锈蚀,疲劳以及建筑物所处的环境和所受到的自然灾害等,这些因素都将对建筑结构造成一定程度的损伤,使其抗力下降,进而导致其安全性无法得到保障。而一旦结构在使用期间其关键部位产生损伤,尤其是一些大型的土木工程结构,若任由其损伤发展而又不能及时发现与处理的话,将很有可能造成结构的破坏失效,给国家和人民带来重大的影响。其中绝大部分损伤属于一个渐变的过程,并且无论是建造期还是服役期,结构自身的微小损伤通过肉眼难以识别,而随着微小损伤积少成多导致的后续构件局部损伤甚至结构性破坏对于诸多复杂结构/精密结构是致命的,而如何尽早准确探测到这些微小损伤在健康检测领域是一大热点,亦是一大难点。基于传统压电阻抗技术的结构损伤识别系通过将压电陶瓷(PZT)传感器粘结于结构表面或植入结构内部,通过局部高频激励振动,利用PZT自身的正逆压电效应,同时作为驱动器和传感器,获取结构局部性能(质量、刚度、阻尼等)相关信息,一般以结构的在健康(未损伤)状态作为基线参考状态,再根据同样方法获取不同损伤状态下的阻抗信号,以比较其与基线状态的不同而识别结构局部性能变化的信息,从而实现结构局部微小损伤的识别。
然而压电阻抗技术也存在其问题,虽然此方法可以利用压电片测量得到的阻抗谱的变化来反映结构损伤,实现复杂结构的损伤识别,但对损伤的判断多停留在定性层面,难以实现结构损伤的定量分析和表征。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于二维卷积神经网络的损伤识别模型建立方法及设备,其目的在于,提供一种可对阻抗数据特征自动进行学习和提取、对有差异的电阻抗信息进行精确分类和量化的损伤识别模型,以便于实现对结构损伤的定量分析和表征。
为实现上述目的,按照本发明的一个方面,提供了一种基于二维卷积神经网络的损伤识别模型建立方法,包括:
基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;
构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
将数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用训练集和测试集对初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为损伤识别模型。
本发明以二维卷积神经网络(2DCNN)作为损伤识别模型,并以结构在多个不同频段下的电导数据所构造的二维数据作为模型输入,以相应的结构质量损失量作为标签,对模型进行训练,在此过程中,可利用网络模拟人体神经元的运行机制,对阻抗数据特征自动进行学习和提取,最终训练得到的模型,可实现对结构损伤的定量识别;并且,由于二维卷积神经网络计算量相对小、特征提取能力强、准确率高,因此,本发明所建立的损伤识别模型,可实现结构损伤的定量分析和表征;此外,由于模型输入由不同频段的一维电导数据通过矩阵相乘然后归一化构造而成,在保证满足模型输入要求的同时,能有效进行特征增强,提高训练所得模型对于结构质量损失量的预测精度。
进一步地,n个目标频段为扫频范围内结构对损伤最敏感的n个子频段。
结构在不同频段下的电导数据对于损伤的敏感程度不同,本发明以结构对损伤最敏感的n个子频段作为目标频段,并利用这些频段下的电导数据构造损伤识别模型的输入,能够保证输入模型的数据更为准确地反映结构的损伤情况,进一步提高模型对于结构损伤的预测精度。
进一步地,构建数据集,包括:
在预设频段内扫频,并测量各频率点处结构在不同损伤状态下的电导信号;
将预设频段划分为多个子频段,对于每一个损伤状态,分别计算结构在该损伤状态下各子频段内的电导信号相对于结构在无损伤状态下各子频段内的电导信号的偏差;每个频段内包含N个频率点;
划分不同的损伤等级,不同损伤等级所对应的质量损失量范围不同;统计各损伤等级下,偏差平均值最大的n个子频段,作为相应损伤等级所对应的目标频段;
对于每一个损伤状态,根据其所属损伤等级确定其所对应的目标频段,并提取该损伤状态在各目标频段内的电导信号,并将每两个目标频段内的一维电导信号通过矩阵相乘然后归一化的方式构造N×N的二维数据,由所构造的二维数据和该损伤状态下的质量损失量构成一条样本;由所有样本构成数据集。
在损伤程度相近的工况下,结构的电导信号相对于结构在无损伤状态下的电导信号的偏差在各子频段的分布类似,本发明首先对损伤程度划分不同的损伤等级,通过统计的方式确定同一个损伤等级内所有工况所对应的目标频段,并提取相应的电导数据构造模型输入,由此能够避免异常测量结果对目标频段选取的影响,进一步保证模型的训练效果。
进一步地,n=2。
本发明仅选取对结构对损伤最敏感的2个频段作为目标频段,能够在保证模型预测精度的情况下,有效减小计算量,提高模型的训练效率。
进一步地,将预设频段划分为多个子频段,每个频段内包含N个频率点,包括:
去除预设频段的首、尾两段后,将剩余频段中的每N个频率点划分为一个子频段。
本发明在划分子频段之前,先去除预设频段首、尾两段区间,能够减少数据采集开始与结束时数据波动带来的影响。
进一步地,预设频段为40Hz-500kHz。
按照本发明的另一个方面,提供了一种基于二维卷积神经网络的损伤识别模型建立设备,包括:初始化模块、数据集构建模块以及训练模块;
初始化模块,用于基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;
数据集构建模块,用于构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
训练模块,用于将数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用训练集和测试集对初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为损伤识别模型。
总体而言,通过本发明所构思的以上技术方案,以二维卷积神经网络(2DCNN)作为损伤识别模型,并以结构在多个不同频段下的电导数据所构造的二维数据作为模型输入,以相应的结构质量损失量作为标签,对模型进行训练,在此过程中,可利用卷积神经网络模拟人体神经元的运行机制,对阻抗数据特征自动进行学习和提取,最终训练得到的模型,可实现对结构损伤的定量识别,且具有较高的识别精度,能够有效解决压电阻抗技术从数据到损伤状态的映射关系的建立,对于不同类型的结构损伤均可进行定量识别,并且对于微小损伤也可准确识别;在长期的结构健康监测实践中能够代替人力对大量监测阻抗信号的自动分析并实现损伤大小的自动识别。
附图说明
图1为本发明实施例所搭建的混凝土结构试件的导纳测量系统;
图2为本发明实施例提供的基于2DCNN的损伤识别模型建立方法示意图;
图3为本发明实施例提供的混凝土结构试件在较小质量损失(2.23%-8.46%)损伤工况下导纳曲线图;其中,(a)、(b)、(c)、(d)分别表示工况1~工况4下的导纳曲线图;
图4为本发明实施例提供的混凝土试件在较大质量损失(47.06%-91.44%)损伤工况下导纳曲线图;其中,(a)、(b)、(c)、(d)分别表示工况5~工况8下的导纳曲线图;
图5为本发明实施例提供的混凝土结构试件在较小质量损失(2.23%-8.46%)损伤工况下子频段导纳的RMSD指标图;
图6为本发明实施例提供的混凝土试件在较大质量损失(47.06%-91.44%)损伤工况下子频段导纳的RMSD指标图;
图7为本发明实施例提供的损失识别模型示意图;
图8为本发明实施例提供的混凝土试件在较小质量损失下二维卷积神经网络的训练损失及正确率曲线;其中,(a)为训练损失,(b)为正确率曲线;
图9为本发明实施例提供的混凝土试件在较大质量损失下二维卷积神经网络的训练损失及正确率曲线;其中,(a)为训练损失,(b)为正确率曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了解决传统的压电阻抗技术从数据到损伤状态的映射关系的建立问题,本发明提供了一种基于二维卷积神经网络的损伤识别模型建立方法及设备,其整体思路在于:利用结构的电导信号可反映结构损伤情况的特性,以二维卷积神经网络作为损伤识别模型,并利用结构在不同频段下的电导数据构造二维数据作为模型输入,并以相应的质量损失量作为标签,对模型进行训练,使得所建立的损伤识别模型可准确实现对结构损伤的定量识别。
导纳信号同时包含电导信号和电纳信号,具体地,导纳信号的实部为电导信号,虚部为电纳信号,故采集结构的导纳信号即可获得结构的电导信号;基于此,为了采集结构的电导数据,本发明基于压电导纳技术,建立了导纳测量系统,如图1所示,其包括:个人电脑、阻抗仪,与主结构相连的PZT传感器。阻抗仪输出电压控制PZT片产生震动;然后接收PZT片由于感应到结构传来的震动而产生的电信号,并将之转化为电导信号传递给电脑;最后由电脑收集整理数据。
基于图1所示的导纳测试系统,本发明对结构进行导纳测试的具体方式为:利用阻抗仪对与主结构相连的PZT传感器产生电激励,通过扫频生成原始导纳信号,采集该导纳信号并从中提取电导信号。
应当说明的是,图1所示测量系统仅为本发明一种可选的测量系统,不应理解为对本发明的唯一限定,其他可用于测量结构电导信号的测量系统,也可以适用于本发明。
以下为实施例。
实施例1:
一种基于二维卷积神经网络的损伤识别模型建立方法,如图2所示,包括:
基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构质量损失量;
构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
将数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用训练集和测试集对初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为;在实际应用中,训练集和测试集的划分比例以及相应的测试要求可根据应用需求灵活调整,可选地,本实施例中,训练集和测试集的比例为7:3,测试要求包括:准确率高于99%,单条数据损失小于0.1。
考虑到结构在不同子频段下的电导数据对于损伤的敏感程度不同,为了输入模型的数据更为准确地反映结构的损伤情况,本实施例在构建数据集时,所选取的n个目标频段为结构对损伤最敏感的n个子频段;实验表明,仅选取对结构对损伤最敏感的2个子频段作为目标频段,能够在保证模型预测精度的情况下,有效减小计算量,提高模型的训练效率,故本发明中,设置n=2;
作为一种可选的实施方式,本实施例中,通过切割机对结构施加损伤,使结构产生指定质量损失量的损伤,每个质量损失量对应一种损伤工况;对于各工况,分别测量导纳曲线,且每种工况测量100组;
基于图1所示的导纳测试系统,本实施例中,构建数据集时,具体通过导纳测试系统内的阻抗仪设置1V电压激励,在宽频段(40Hz-500kHz)范围内扫频,并测量各频率点处结构在不同损伤状态下的原始导纳信号,每一个损伤状态下测量100组导纳数据;原始导纳信号共801维,每一维对应一个频率点下的测量结果;
为保证数据准确度以及提高各工况数据之间的辨识度,将801维数据的前81个数据与后80个数据去除,降至640维数据,以减少数据采集开始与结束时数据波动带来的影响;
将640维数据按顺序分为20个区段,每个区段32维数据,将每一个区段作为一个子频段;
本实施例中,以结构在当前损伤状态下各子频段内的电导信号相对于结构在无损伤状态下各子频段内的电导信号的偏差作为结构对损伤的敏感程度;作为一种可选地实施方式,本实施例中,具体以均方根偏差(RMSD)来衡量结构对损伤的敏感程度;相应地,每一个子频段下,结构对损伤的敏感程度计算公式如下:
式中,N表示子频段内的数据维度,即频率点个数;i=1,2……,N表示子频段内频率点的序号;xi、yi分别表示结构无损状态和损伤后的电导纳信号值;由于本实施例中,对于每一个损伤工况会测量100组导纳数据,故xi为100组数据的平均值。
考虑到在损伤程度相近的工况下,结构的电导信号相对于结构在无损伤状态下的电导信号的偏差在各子频段的分布类似,故结构损伤工况将根据质量损失量范围划分为不同损伤等级;而在进行实际测量中,针对特定工况可能产生异常的测量结果,为了避免异常测量结果所带来的干扰,作为一种优选的实施方式,本实施例中,在计算得到各工况下、各子频段内的RMSD后,统计各损伤等级下,平均偏差最大的2个子频段,作为相应损伤等级所对应的目标频段;以下以两个损伤等级,即较小质量损伤和较大质量损伤为例,对目标频段确定的过程做进一步的解释说明:
较小质量损伤对应的损失量范围为(2.23%-8.46%),其中的四种工况所对应的损失量为:2.23%、4.41%、6.49%、8.46%,分别标签为1、2、3、4;
较大质量损伤对应的损失量范围为(47.06%-91.44%),其中的四种工况所对应的损失量为:47.06%、69.95%、83.26%、91.44%,标签分别为5、6、7、8;
较小质量损伤中各损伤工况,即工况1~工况4下的导纳曲线图,分别如图3中的(a)、(b)、(c)、(d)所示,图3中,各工况对应的数值,为剩余质量;由图3可以看到,对于小质量损伤情况,各工况数据近乎相同,电导数据谐振峰值变化较不规律,随着损伤量的增加,仅峰值处出现波动,通过观察难以判断损伤的大小;
较大质量损伤中各工况,即工况5~工况8下的导纳曲线图,分别如图4中的(a)、(b)、(c)、(d)所示,图4中,各工况对应的数值,为剩余质量;由图4可以看到,随着损伤的增加,电导曲线逐渐向左偏移,表明由于质量损伤附加引起的结构刚度降低导致电导谐振峰值呈现规律性变化。通过该变化能够定性判断损伤程度的增加;
较小质量损伤中各损伤工况下各子频段导纳的RMSD指标图如图5所示,由图5可以看到,其4、8子频段的RMSD值较大,代表在该区间各工况电导数据之间存在较大差异,即对损伤较敏感,因此对于较小质量损伤中的各工况,选择第4、8子频段作为目标频段;
较大质量损伤中各损伤工况下各子频段导纳的RMSD指标图如图6所示,由图6可以看到,其8、12子频段RMSD值较大,代表在该区间各工况电导数据之间存在较大差异,即对损伤较敏感,因此对于较大质量损伤中的各工况,选择第8、12子频段作为目标频段;
对于其他损伤等级,目标频段的确定方法类似,在此将不做赘述;应当说明的是,损伤等级的具体划分方式,可根据实际的应用需求确定,此处仅为示例性的描述,不应理解为对本发明的唯一限定。
在确定各损伤等级对应的目标频段后,对于每一个损伤状态,根据其所属损伤等级确定其所对应的目标频段,并提取该损伤状态在各目标频段内的电导信号,并将每两个目标频段内的一维电导信号通过矩阵相乘然后归一化的方式构造32×32的二维数据,由所构造的二维数据和该损伤状态下的结构质量损失量构成一条样本,样本中的二维数据将作为二维卷积神经网络的输入,样本中的结构质量损失量则将作为标签信息;
由所有样本构成数据集。
本实施例首先对损伤程度划分不同的损伤等级,通过统计的方式确定同一个损伤等级内所有工况所对应的目标频段,并提取相应的电导数据构造模型输入,由此能够避免异常测量结果对目标频段选取的影响,进一步保证模型的训练效果。同样需要说明的是,在计算得到各频段的RMSD值之后,在本发明其他的一些实施例中,在不考虑测量异常的情况下,也可直接选取RMSD最大的两个子频段作为目标频段,将这两个频段下对应的32维向量进行矩阵相乘,即可得到一个32×32的二维数据,并将该二维数据进行归一化,得到最终的二维数据,该二维数据将作为所建立的二维卷积神经网络的输入,与该二维数据相对应的质量损失量,则将作为模型训练阶段的标签信息。
在构建得到数据集之后,将其以7:3的比例划分为训练集和测试集,利用训练集对所建立的二维卷积神经网络进行训练,并利用测试集对训练后的模型进行测试,若测试结果准确率达到99%以上,单条数据损失降到0.1以下,则得到合格模型,通过网络模型对电导特征的自动学习,即可输出损伤大小的精准识别结果;可选的,本实施例中,对模型进行训练和测试时,所使用的损失函数为交叉熵损失函数。
本实施例中,模型训练结束后,所得模型的结构参数如表1所示,相应的模型结构具体如图7所示。
图8中的(a)和(b)分别表示测量混凝土试件较小质量损伤二维卷积神经网络训练损失和正确率曲线;图9中的(a)和(b)分别表示测量混凝土试件较大质量损伤二维卷积神经网络训练损失及正确率曲线。可以看到,对于两类质量损伤情况识别率均能达到100%,对于小质量损伤,在迭代400次左右已达到100%准确率;而对于大质量损伤情况,在100次左右既已达到,这充分说明了本实施例所建立的损伤识别模型对于微小结构损伤精准识别的可行性及有效性。
表1二维卷积神经网络结构参数设置
总的来说,本实施例以二维卷积神经网络(2DCNN)作为损伤识别模型,并以结构在多个不同频段下的电导数据所构造的二维数据作为模型输入,以相应的结构质量损失量作为标签,对模型进行训练,在此过程中,可利用卷积神经网络模拟人体神经元的运行机制,对阻抗数据特征自动进行学习和提取,最终训练得到的模型,可实现对结构损伤的定量识别,且具有较高的识别精度,能够有效解决压电阻抗技术从数据到损伤状态的映射关系的建立,对于不同类型的结构损伤均可进行定量识别,并且对于微小损伤也可准确识别;在长期的结构健康监测实践中能够代替人力对大量监测阻抗信号的自动分析并实现损伤大小的自动识别。
实施例2:
一种基于二维卷积神经网络的损伤识别模型建立设备,包括:初始化模块、数据集构建模块以及训练模块;
初始化模块,用于基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;
数据集构建模块,用于构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
训练模块,用于将数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用训练集和测试集对初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为损伤识别模型;
本实施例中,各模块的具体实施方式可参考上述实施例1中的描述,在此将不做复述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,包括:
基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;
构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
将所述数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用所述训练集和所述测试集对所述初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为所述损伤识别模型。
2.如权利要求1所述的基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,所述n个目标频段为扫频范围内结构对损伤最敏感的n个子频段。
3.如权利要求2所述的基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,构建数据集,包括:
在预设频段内扫频,并测量各频率点处结构在不同损伤状态下的电导信号;
将所述预设频段划分为多个子频段,对于每一个损伤状态,分别计算结构在该损伤状态下各子频段内的电导信号相对于结构在无损伤状态下各子频段内的电导信号的偏差;每个频段内包含N个频率点;
划分不同的损伤等级,不同损伤等级所对应的质量损失量范围不同;统计各损伤等级下,偏差平均值最大的n个子频段,作为相应损伤等级所对应的目标频段;
对于每一个损伤状态,根据其所属损伤等级确定其所对应的目标频段,并提取该损伤状态在各目标频段内的电导信号,并将每两个目标频段内的一维电导信号通过矩阵相乘然后归一化的方式构造N×N的二维数据,由所构造的二维数据和该损伤状态下的质量损失量构成一条样本;由所有样本构成所述数据集。
4.如权利要求3所述的基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,n=2。
5.如权利要求3或4所述的基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,将所述预设频段划分为多个子频段,每个频段内包含N个频率点,包括:
去除所述预设频段的首、尾两段后,将剩余频段中的每N个频率点划分为一个子频段。
6.如权利要求5所述的基于二维卷积神经网络的损伤识别模型建立方法,其特征在于,所述预设频段为40Hz-500kHz。
7.一种基于二维卷积神经网络的损伤识别模型建立设备,其特征在于,包括:初始化模块、数据集构建模块以及训练模块;
所述初始化模块,用于基于二维卷积神经网络构建初始神经网络模型,用于根据输入的二维数据预测结构的质量损失量;
所述数据集构建模块,用于构建数据集,其中的每一条样本包括结构的质量损失量,以及相应损伤状态下,由结构在n个目标频段下的一维电导数据构造而成的二维数据;每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成;n和N均为正整数,且n≥2;
所述训练模块,用于将所述数据集划分为训练集和测试集,以样本中的二维数据为输入,以相应的质量损失量为标签信息,分别利用所述训练集和所述测试集对所述初始神经网络模型进行训练和测试,将训练后满足测试要求的模型作为所述损伤识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492204.8A CN114186624A (zh) | 2021-12-08 | 2021-12-08 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492204.8A CN114186624A (zh) | 2021-12-08 | 2021-12-08 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186624A true CN114186624A (zh) | 2022-03-15 |
Family
ID=80542777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492204.8A Pending CN114186624A (zh) | 2021-12-08 | 2021-12-08 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
-
2021
- 2021-12-08 CN CN202111492204.8A patent/CN114186624A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11855265B2 (en) | Acoustic signal based analysis of batteries | |
CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
CN105067239B (zh) | 基于扫频激励振动的梁裂纹故障检测装置及方法 | |
CN106323452A (zh) | 一种设备异音的检测方法及检测装置 | |
CN110728257B (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
CN109211299B (zh) | 桥梁监测传感器的在线校准方法及系统 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
CN114325403B (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN111024527B (zh) | 一种基于多传感器数据融合的裂纹扩展监测方法 | |
CN114186624A (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
CN110208702B (zh) | 一种基于神经网络的锂电池超声信息特性提取方法 | |
CN110441707A (zh) | 一种锂离子电池健康状态声发射检测系统及方法 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN114113332A (zh) | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 | |
KR102207794B1 (ko) | 자기 애자 상태의 진단장치 및 그 방법 | |
CN116910655A (zh) | 一种基于装置量测数据的智能电能表故障预测方法 | |
CN116068433A (zh) | 一种评估电池容量一致性的方法及系统 | |
CN113960700B (zh) | 区域数值预报结果的客观检验、统计及分析系统 | |
CN109993211B (zh) | 基于结构加速度ar模型系数的损伤识别方法 |
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 |