CN114357855A - 基于平行卷积神经网络的结构损伤识别方法和装置 - Google Patents

基于平行卷积神经网络的结构损伤识别方法和装置 Download PDF

Info

Publication number
CN114357855A
CN114357855A CN202111422491.5A CN202111422491A CN114357855A CN 114357855 A CN114357855 A CN 114357855A CN 202111422491 A CN202111422491 A CN 202111422491A CN 114357855 A CN114357855 A CN 114357855A
Authority
CN
China
Prior art keywords
damage
data
acceleration
neural network
parallel
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
Application number
CN202111422491.5A
Other languages
English (en)
Inventor
叶锡钧
曹永杰
何沛衡
潘楚东
邓军
汪大洋
刘爱荣
陈炳聪
周军勇
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202111422491.5A priority Critical patent/CN114357855A/zh
Publication of CN114357855A publication Critical patent/CN114357855A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供基于平行卷积神经网络的结构损伤识别方法和装置，该方法包括：S11数据采样：采集由加速度传感器记录的加速度数据；S12数据预处理：对每个加速度传感器记录的加速度数据进行预处理，得到加速度数据序列及其时频图；S13损伤识别：将各个加速度传感器对应的输入数据集输入到训练好的基于平行卷积神经网络的损伤识别模型中，由损伤识别模型对输入数据集进行特征提取和损伤类别预测，得到符合各损伤工况数据特征的概率；并根据符合各损伤工况特征的概率得到相应的结构损伤识别结果；其中输入数据集包括加速度时间序列及其时频图。本发明有助于提高结构损伤的识别效果。

Description

基于平行卷积神经网络的结构损伤识别方法和装置
技术领域
本发明涉及桥梁健康监测领域，特别是基于平行卷积神经网络的结构损伤识别方法和装 置。
背景技术
土木工程结构在长期的服役过程中，由于外部荷载作用、材料性能退化、突发事件的影 响等，不可避免地会产生不同程度的结构损伤，这将导致结构承载力的降低，影响结构的可 靠性和安全性。土木工程结构健康监测系统(SHM)通过收集传感器的长期监测数据，对结构 状态进行监测和安全性评估，及时发布预警信息，并做出检查、修复和加固的决策，是提高 和升级土木工程结构智能维护和管理水平的前沿技术，为了实现提供结构早期损伤预警的结 构健康监测(SHM)系统，现有技术已经提出了多种结构损伤检测方法。
当结构发生损伤时，导致结构模态参数(频率、振型、阻尼比)发生变化，从而影响整 个结构的动力响应，基于振动的识别方法正是利用结构动力响应，识别出结构物理参数及其 变化，从而判断结构损伤的存在、严重程度和位置，从而评估结构整体性能。基于振动的全 局损伤检测技术可分为参数和非参数方法。相对于非参数方法利用统计手段直接从测量信号 识别损伤，参数化方法为从实测响应中确定模态参数。
近年来，各种机器学习算法应用于参数和非参数全局损伤检测技术。基于机器学习的损 伤检测主要包含两个步骤：特征提取和分类。在基于参数的机器学习方法中，从结构振动响 应计算出结构的模态参数，将其视为提取的特征。同时，基于非参数的机器学习方法主要包 含以下特征提取技术，如简单的统计分析方法、回归模型、主成分分析、小波变换和其他时 频分析方法。对于分类步骤，大量分类器已经应到基于参数和非参数的机器学习，如概率神 经网络，人工神经网络，模糊神经网络、奇异值分解和支持向量机。可以预见，“手工制作” 的特征和分类器的选择导致它们的性能在不同数据模式中有显著差异。
随着传感器技术和计算硬件的快速发展，面对由海量结构动力响应组成的高维数据集， 深度学习的概念在结构损伤检测中显示出相当的重要性。CNN作为一种结合了特征提取和分 类器的深度神经网络方法，不需要人工设置特征提取器，且CNN由于稀疏连接和权值共享的 特点，在计算效率、泛化能力和抗噪能力方面具有显著的优势。
目前，发展了很多基于深度学习的结构损伤识别方法，但还存在一些局限性，限制了深 度学习在结构健康监测的应用。1D-CNN虽然具有强大的信号分类能力，但仅适用于一维信 号，面对实际工程中的多个传感器采集的振动信号,部分学者将多个通道数据串联作为单个数 据处理，然而，这将增加输入信号的维度，影响CNN的性能，同时，结构振动信号分布在较 宽的频率范围内，同时受噪声影响，含有大量冗余的信息，信号中的损伤特征容易被淹没； 现有技术中基于1D-CNN的损伤识别模型无法满足现代土木工程结构健康监测的需求。
发明内容
针对上述问题，本发明旨在提供基于平行卷积神经网络的结构损伤识别方法和装置。
本发明的目的采用以下技术方案来实现：
第一方面，提出基于平行卷积神经网络的结构损伤识别方法，包括：
S11数据采样：采集由加速度传感器记录的加速度数据，其中所述加速度传感器设置在 目标结构的设定位置上，所述加速度数据包括对目标结构施加激励后由加速度传感器记录的 振动响应；
S12数据预处理：对每个加速度传感器记录的加速度数据进行预处理，得到加速度数据 序列及其时频图；
S13损伤识别：将各个加速度传感器对应的输入数据集输入到训练好的基于平行卷积神 经网络的损伤识别模型中，由损伤识别模型对输入数据集进行特征提取和损伤类别预测，得 到符合各损伤工况数据特征的概率；并根据符合各损伤工况数据特征的概率得到相应的结构 损伤识别结果；其中输入数据集包括加速度时间序列及其时频图。
一种实施方式中，步骤S11中具体包括：
对目标结构施加激励，其中目标结构包括框架结构；
接收由设置在目标结构上的加速度传感器组记录的振动响应：
Figure BDA0003376991910000021
其中Kp表示第p个加速度传感器记录的加速度数据，其中p∈[1,P]，P表示加速度传感器 的总数。
一种实施方式中，步骤S12具体包括：
对每个加速度传感器记录的加速度数据进行随机截取，截取固定长度的数据段作为数据 样本，得到N段数据组成数据样本：
Figure BDA0003376991910000031
其中Kp,n表示第p个加速度传感器记录的加速度数据中随机截取的第n段数据，其中 n∈[1,N]；其中设定每段数据的长度为L；
对数据样本进行零-均值标准化和连续小波变换，获取标准化后的时间序列及其小波时频 图。
一种实施方式中，步骤S13中，所述训练好的基于平行卷积神经网络的损伤识别模型包 括由多个平行卷积神经网络组合而成的网络群；其中每个平行卷积神经网络对应一个在目标 结构的设定位置上设置的加速度传感器。
一种实施方式中，步骤S13包括：
将各个加速度传感器对应的输入数据集分别输入到对应的平行卷积神经网络中，由各平 行卷积神经网络分别提取输入数据集特征并进行损伤类型预测，其中平行卷积神经网络的输 出结果为对应的加速度传感器的N段数据样本中，符合不同损伤工况特征的数据段的数量；
针对每个平行卷积神经网络，计算符合各损伤工况特征的概率：
Figure BDA0003376991910000032
其中，PODj表示平行卷积神经网络判定输入数据集为损伤工况j的概率，表示输入数据 集的数据特征和损伤工况j数据特征的相似程度，其中j∈[1,m]，m表示设定的损伤工况总数， nj表示平行卷积神经网络的输出结果，为符合损伤工况j数据特征的数据段的数量；
基于得到的各损伤工况特征的概率计算加权损伤度：
Figure BDA0003376991910000033
其中Dtwai为加权损伤度，表示第i个平行卷积神经网络对目标结构整体的损伤评估，wj表 示设定的针对损伤工况j的损伤程度，其中wj∈[0,1]；
将与各个平行卷积神经网络对应的加权损伤度进行加权平均处理，得到目标结构的整体 结构健康评估信息：
Figure BDA0003376991910000034
其中D表示目标结构的损伤程度；Dtwai表示第i个平行卷积神经网络对目标结构整体的 加权损伤度，p表示平行卷积神经网络的总数，ci表示第i个平行卷积神经网络对应的折减系 数，其表示i号加速度传感器的数据对目标结构这个损伤的反映能力，其中ci∈[0,1]；
输出目标结构的损伤程度D对应的结构损伤识别结果。
一种实施方式中，该方法还包括：
S0训练损伤识别模型，具体包括：
S01训练工况设计；选定目标结构，并设置m组损伤工况，获取m个损伤工况对应的加 速度数据作为模型的原始训练数据；
S02数据采样与分组：针对不同损伤工况的目标结构，对目标结构施加激励，获取目标 结构在设定位置上的加速度传感器记录的加速度响应：
Figure BDA0003376991910000041
其中，Am表示对应第m个损伤工况下，各个加速度传感器记录的加速度响应数据组；
Um,p表示对应第m个数据组中第p个传感器记录的加速度数据；
根据上述得到的加速度响应进行重新组合，得到针对每个传感器记录的m个损伤工况数 据组：
Figure BDA0003376991910000042
其中，Group-p表示第p个传感器记录的对应各个损伤工况下的加速度响应数据；
S03数据预处理：根据各个加速度传感器记录数据组分别构建训练数据集，包括：分别 根据各个加速度传感器记录数据组进行随机截取，对随机截取的数据样本进行零-均值标准化， 零-均值标准化后的加速度时间序列作为一维训练数据集，对零-均值标准化后的加速度时间 序列进行连续小波变换，连续小波变换后获取的时频图作为二维训练数据集；
S04网络训练：将根据各个加速度传感器记录数据组得到的一维训练数据集和二维训练 数据集分别作为对应平行卷积神经网络输入，完成各平行卷积神经网络的训练；
S05网络群：重复步骤S03和S04，完成各个平行卷积神经网络的训练，将训练出的p个平行卷积神经网络组合为网络群，完成损伤识别模型的训练。
第二方面，提出基于平行卷积神经网络的结构损伤识别装置，该装置用于实现如上述第 一方面中任一种实施方式所示的基于平行卷积神经网络的结构损伤识别方法。
本发明的有益效果为：
本发明提出基于平行卷积神经网络的结构损伤识别方法和装置，基于多域特征融合的理 论，提出平行神经网络(P-CNN)应用到结构损伤识别，相对于传统CNN，具有更高的识别 性能和拟合能力，有助于提高结构损伤的识别效果。
提出的基于平行卷积神经网络的损伤识别模型由二分类升级为多分类，同时定义了损伤 度的概念，使该方法具有更高的损伤识别精度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于 本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附 图。
图1为本发明基于平行卷积神经网络的结构损伤识别方法的示例性方法流程图；
图2为本发明神经网络训练模块的示例性方法流程图；
图3为本发明损伤识别模块的示例性方法流程图；
图4为本发明实施例所示的针对ASCE Benchmark结构的传感器布置示意图；
图5为本发明实施例所示的基准结构损伤模式图；
图6为本发明实施例所示的标准化振动信号示意图；
图7为本发明实施例所示的标小波时频图示意图；
图8为本发明实施例所示的平行神经网络结构示意图；
图9为本发明实施例所示的损伤识别结果示意图。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出基于平行卷积神经网络的结构损伤识别方法，该方法还包括：
S0训练基于平行卷积神经网络的损伤识别模型，参见图2，其具体包括如下步骤：
S01训练工况设计；选定目标结构，并设置m组损伤工况，获取m个损伤工况对应的加 速度数据作为模型的原始训练数据。
一种场景中，选定一个研究对象，如框架结构，配备p个测量振动响应的加速度计，本 模块的第一步是设计m组损伤工况，以获取足够的振动数据训练p个平行卷积神经网络(P-CNN)组成网络群。随着结构损伤程度的增加，加速度传感器分别记录各个损伤工况的振动响应，本案例设定：记录的第1组数据为结构未损坏状态(即结构完好状态)，依次人为地增加结构的损伤程度并定义损伤程度，如损伤程度w1＝10％，w2＝20％，w3＝30％....，直到第m组数据则对应结构完全损伤状态(即损伤wm＝100％)，以此获得m个损伤工况的加速度数据作为模型的原始训练数据。
S02数据采样与分组：针对目标结构在对应不同损伤工况情况下，对目标结构施加激励， 通过安装在结构上的p个加速度计记录结构的加速度响应；例如第1个损伤工况下，p个传 感器均记录的加速度响应数据组表示为A1＝(U1,1,U1,2，...U1,p)。
故获取各个设置在目标结构设定位置上的加速度传感器记录的加速度响应为：
Figure BDA0003376991910000061
其中，Am表示对应第m个损伤工况下，各个加速度传感器记录的加速度响应数据组；
Um,p表示对应第m个数据组中第p个传感器记录的加速度数据；
其中，为了与后续的基于损伤识别模型的算法相匹配，进一步将上述记录的数据组进行 重新组合。将每个传感器记录的m个损伤工况数据合成一组(Group)，,每一组数据用以后续 训练单个P-CNN。
则根据上述得到的加速度响应进行重新组合，得到针对每个传感器记录的m个损伤工况 数据组为：
Figure BDA0003376991910000062
其中，Group-p表示第p个传感器记录的对应各个损伤工况下的加速度响应数据。
S03数据预处理：根据各个加速度传感器记录数据组分别构建训练数据集，包括：分别 根据各个加速度传感器记录数据组进行随机截取，对随机截取的数据样本进行零-均值标准化， 零-均值标准化后的加速度时间序列作为一维训练数据集；对零-均值标准化后的加速度时间 序列进行连续小波变换，连续小波变换后获取的时频图作为二维训练数据集。
一种场景中，针对Group-1的数据进行随机截取(1024个数据点为一段)、对随机截取的 数据样本进行零-均值标准化，零-均值标准化后的加速度时间序列作为一维数据集；零-均值 标准化后的加速度时间序列进行连续小波变换，连续小波变换后获取的时频图作为二维数据 集。
S04网络训练：将根据各个加速度传感器记录数据组得到的一维训练数据集和二维训练 数据集分别作为对应平行卷积神经网络输入，完成各平行卷积神经网络的训练。
一种场景中，将步骤三获取的数据集分别作为平行卷积神经网络(P-CNN1)的两个(一 维和二维)输入，按7:2:1的比例划分训练集、验证集和测试集，进行模型训练和测试。
S05网络群：重复步骤S03和S04，完成各个平行卷积神经网络的训练，将训练出的p个平行卷积神经网络组合为网络群，完成损伤识别模型的训练。
一种场景中，重复步骤三和四，对Group-2至Group-p的数据进行处理，共训练出p个 平行卷积神经网络组合为网络群。
S1基于训练好的基于平行卷积神经网络的损伤识别模型识别目标结构在未知状态下结 构的损伤程度，参见图3，其具体包括如下步骤：
S11数据采样：采集由加速度传感器记录的加速度数据，其中所述加速度传感器设置在 目标结构的设定位置上，所述加速度数据包括对目标结构施加激励后由加速度传感器记录的 振动响应。
一种场景中，在模型训练过程中需要记录传感器的位置；后续的实际测量中，加速度传 感器需设置在训练时相同的位置。
一种实施方式中，步骤S11中具体包括：
对目标结构施加激励，其中目标结构包括框架结构；
接收由设置在目标结构上的加速度传感器组记录的振动响应：
Figure BDA0003376991910000071
其中Kp表示第p个加速度传感器记录的加速度数据，其中p∈[1,P]，P表示加速度传感器 的总数。
S12数据预处理：对每个加速度传感器记录的加速度数据进行预处理，得到加速度数据 序列及其时频图。
一种实施方式中，步骤S12具体包括：
对每个加速度传感器记录的加速度数据进行随机截取，随机截取的数据段作为数据样本， 得到N段数据样本：
Figure BDA0003376991910000081
其中Kp,n表示第p个加速度传感器记录的加速度数据中随机截取的第n段数据，其中 n∈[1,N]；其中设定每段数据的长度为L；
对数据样本进行零-均值标准化和连续小波变换，获取标准化后的时间序列及其小波时频 图。
一种场景中，随机截取得到的样本数据中包含的N＝100数据；每段数据的长度L＝1024。
S13损伤识别：将各个加速度传感器对应的输入数据集输入到训练好的基于平行卷积神 经网络的损伤识别模型中，由损伤识别模型根据输入数据集进行特征提取和损伤类别预测， 得到符合各损伤工况特征的概率；并根据符合各损伤工况特征的概率得到相应的结构损伤识 别结果；其中输入数据集包括时间序列和时频图。
一种实施方式中，步骤S13中，所述训练好的基于平行卷积神经网络的损伤识别模型包 括由多个平行卷积神经网络组合而成的网络群；其中每个平行卷积神经网络对应一个在目标 结构的设定位置上设置的加速度传感器。
一种实施方式中，步骤S13包括：
将各个加速度传感器对应的输入数据集分别输入到对应的平行卷积神经网络中，由各平 行卷积神经网络分别提取输入数据集特征并进行损伤类型预测，其中平行卷积神经网络的输 出结果为对应的加速度传感器的N段数据样本中，符合不同损伤工况特征的数据段的数量；
针对每个平行卷积神经网络，计算符合各损伤工况特征的概率：
Figure BDA0003376991910000082
其中，PODj表示平行卷积神经网络判定输入数据集为损伤工况j的概率，表示输入数据 集的数据特征和损伤工况j数据特征的相似程度，其中j∈[1,m]，m表示设定的损伤工况总数， nj表示平行卷积神经网络的输出结果，为符合损伤工况j数据特征的数据段的数量；基于得到 的各损伤工况的概率计算加权损伤度：
Figure BDA0003376991910000083
其中Dtwai表示第i个平行卷积神经网络对目标结构整体的加权损伤度，wj表示设定的针 对损伤工况j的损伤程度，其中wj∈[0,1]；
将与各个平行卷积神经网络对应的加权损伤度进行加权平均处理，得到目标结构的整体 结构健康评估信息：
Figure BDA0003376991910000091
其中D表示目标结构的损伤程度；Dtwai表示第i个平行卷积神经网络对目标结构整体的 加权损伤度，p表示平行卷积神经网络的总数，ci表示第i个平行卷积神经网络对应的折减系 数，其表示i号加速度传感器的数据对目标结构这个损伤的反映能力，其中ci∈[0,1]；
输出目标结构的损伤程度D对应的结构损伤识别结果。
另外，本发明还提出基于平行卷积神经网络的结构损伤识别装置，包括网络训练模块和 损伤识别模块；其中，
网络训练模块用于实现如上述图1所述基于平行卷积神经网络的结构损伤识别方法中步 骤S0对应的任一项实施方式包含的方法步骤；
损伤识别模块用于实现如上述图1所述基于平行卷积神经网络的结构损伤识别方法中步 骤S1对应的任一项实施方式包含的方法步骤；
本发明在此不再重复叙述。
本发明上述提出的基于平行卷积神经网络的结构损伤识别方法和装置，其具有如下有益 效果：
基于多域特征融合的理论，提出平行神经网络(P-CNN)应用到结构损伤识别。
网络模型由二分类升级为多分类，同时将损伤度量化。
面对由二分类到多分类的一个转变，本文的主干网络采用P-CNN替代1D-CNN，是为适 应分类任务的难度提升做出的改进，高性能的网络模型是分类结果科学准确的保证。
由二分类任务转变为多分类任务，细化完好-完损损伤程度区间，未知结构状态的损伤特 征在样本标记空间具有更多的参照，输出的分类结果更加精确。同时，引入损伤度的概念， 将结构损伤程度量化，一方面，对应多分类输出结果，损伤度作为训练工况的损伤权重参与 损伤概率的计算，另一方面，损伤度将作为测试工况损伤识别结果的评判标准，指导网络的 训练。
针对桥梁健康监测振动加速度数据的特点，基于损伤识别方法和多领域特征提取理念， 提出了一种基于损伤概率的改进损伤识别方法。
该方法的主干网络采用双特征提取通道的平行卷积神经网络，两个分支分别提取时序信 号和小波时频图的特征，在汇聚层拉伸、串联为融合特征，作为最终分类器的输入，相对于 传统CNN，具有更高的识别性能和拟合能力。网络模型为多分类，同时定义了损伤度的概念， 使该方法具有更高的损伤识别精度。
作为一种示例性说明，本发明示出基于平行卷积神经网络的结构损伤识别方法对ASCE-Benchmark结构进行建模和结构损伤识别的过程如下：
网络训练模块
1、工况设计
本案例使用了ASCE健康监测基准研究的第二阶段实验数据，采样频率为200Hz，实验 模型为4层2×2跨的钢框架结构，各层平面尺寸为2.5m×2.5m，层高0.9m，每层包含9个柱构件、12个楼板梁构件和8个斜撑构件，如图4所示。模型梁柱之间固结，斜撑与梁、柱 之间活动连接，可自由拆卸斜撑模拟不同的结构损伤。12个加速度传感器设置于各层间，传感器布置如图5所示。由放置在结构顶层的激励器施加随机激励，随机激励为沿西南方向的带限白噪声，成分在5–50Hz之间。
基准结构设置了5类损伤工况(其中完好状态视为一种特征的损伤工况)，如表1所示， 图6展示了结构的5类损伤模式。
表1 5类损伤工况
Figure BDA0003376991910000101
2、数据采样、分组及预处理
由激振器施加随机激励，加速度传感器采集结构各个工况下的振动信号。分别选取工况 2、3、4其中任意1个工况数据用于损伤识别模块，验证模型的损伤识别准确度，其余4个 工况数据用于网络训练模块，训练网络模型。
使用窗长为1024的“移动窗口”对原始振动信号随机截取，单个传感器信号窗口随机截 取100个数据样本，共计12个传感器，则每个工况包含12×100个数据样本。
在网络训练模块中，将4个损伤工况同一加速度传感器记录的振动信号组合为一组，共 计12组，12组数据将训练12个平行神经网络组成网络群。其网络训练模块和损伤识别模块 用到的数据如表2所示。
表2网络训练数据集和损伤检测目标数据集
Figure BDA0003376991910000102
Figure BDA0003376991910000111
其中，使用MATLAB代码生成数据集，数据集的四个维度分别表示子数据集的数量、信 号长度、传感器数量和数据样本的数量。
以工况编号为数据标签，并将获取的数据样本进行零-均值标准化、连续小波变换，得到 两类数据：标准化时间序列和小波时频图，分别作为一维数据集和二维数据集，并按7:2:1 的比例划分训练集、验证集和测试集。图7、8显示了五类工况传感器信号标准化后的振动信 号及小波时频图。
3、网络训练
(1)网络模型
平行神经网络包含两个特征提取分支：一维特征提取分支、二维特征提取分支，每个分 支的包括两个卷积层、两个池化层。两个分支提取的特征在汇聚层拉伸、串联，作为全连接 层的输入，最后，全连接层的原始输出数据输入至分类器。平行神经网络结构如图9所示， 表3给出了拟定的网络参数。
1、卷积层第1、2层分别包含6个和16个卷积核，卷积核尺寸分别为1×5、5×5；
2、池化层用来减少网络参数，下采样因子的尺寸分别为1×2、2×2；
3、线性整流函数(Relu)用作每次池化运算后的激活函数。
4、全连接层的第一层共包含120个神经元，全连接层的第二层共包含84个神经元；
5、最后的原始输出数据输入至Softmax分类器。
表3网络参数
Figure BDA0003376991910000112
Figure BDA0003376991910000121
在每次迭代训练中，数据批量为64，使用Adam优化器进行训练优化，Adam算法的学习率为0.001，学习率的动量权重和衰减参数选择为β1＝0.9和β2＝0.99。在模型的训练过程中极易出现的过拟合问题，我们采用L2正则化和50％的随机丢弃神经元(Dropout)的方法，增强模型的泛化能力和鲁棒性，采用交叉熵损失目标函数用于度量模型的质量。
(2)评价指标
在深度学习的多重分类统计分析中，准确率(Accuracy)、精确率(Precision)、召回率(Recall) 和F1分数常用于综合分析模型的性能，其中F1分数是精确率和召回率的调和平均值。准确 率代表所有损伤数据中正确分类的比例，一般来说，准确率经常被用作多分类算法的总体评 估；F1分数指标则综合了精确率与召回率的产出结果，值的范围为[0，1]，F1分数越高表示 所训练的模型越好，常被用作评估多分类算法对某一类别的识别性能。本案例将准确率和F1 分数作为模型整体损伤识别的性能指标，具体计算公式如下:
Figure BDA0003376991910000122
Figure BDA0003376991910000123
Figure BDA0003376991910000124
Figure BDA0003376991910000125
其中：
Figure BDA0003376991910000126
表示准确率；
Figure BDA0003376991910000127
和y表示预测标签和真实标签
TP表示“真阳性”(对象类被正确分类到对象类中样本的数量)；
FP表示“假阳性”(其他类被错误分类到对象类中样本的数量)；
TN表示“真阴性”(其他类被正确分类到其他类的样本的数量)；
FN表示“假阴性”(对象类被错误分类到其他类的样本的数量)；
(3)训练结果
为了描述分类模型在测试集的性能，表4展现了各组实验所训练的网络群准确率。
表4各组实验网络群准确率
Figure BDA0003376991910000131
损伤识别模块
1、数据采样及预处理
损伤识别模块数据见表2。
2、损伤识别
其中为验证损伤识别模型性能，将结构的某一个或多个损伤状态作为测试工况；分别将 三组试验的测试工况的加速度数据样本输入到训练完毕的网络群，识别测试工况的损伤程度， 表5给出了实验的输出结果。
针对每个平行卷积神经网络，计算符合各损伤工况特征的概率：
Figure BDA0003376991910000132
其中，PODj表示平行卷积神经网络判定测试工况为损伤工况j的概率，表示测试工况和 损伤工况j的相似程度，其中j∈[1,m]，m表示设定的损伤工况总数，nj表示平行卷积神经网 络的输出结果，为符合损伤工况j数据特征的数据段的数量；其中测试工况为目标结构某一 未知损伤状态，用于验证所述损伤识别模型的性能。
基于得到的各损伤工况的概率计算加权损伤度：
Figure BDA0003376991910000133
其中Dtwai表示第i个平行卷积神经网络对目标对象整体的加权损伤度，wj表示设定的针 对损伤工况j的损伤程度，其中wj∈[0,1]；
将与各个平行卷积神经网络对应的加权损伤度进行加权平均处理，得到目标对象的整体 结构健康评估信息：
Figure BDA0003376991910000134
其中D表示目标对象的损伤程度；Dtwai表示第i个平行卷积神经网络对目标对象整体的 加权损伤度，p表示平行卷积神经网络的总数，ci表示第i个平行卷积神经网络对应的折减系 数，其表示i号加速度传感器的数据对目标对象这个损伤的反映能力，其中ci∈[0,1]；
输出目标结构的损伤程度D对应的结构损伤识别结果。
表5损伤识别输出结果
Figure BDA0003376991910000141
图9展示了本文提出方法的最终结果及其参考值，可以看出本文提出的方法在识别各个 损伤工况时，输出的损伤度对结构健康状态的反应极其接近定义的结构真实损伤，在结构损 伤识别领域具有广阔的应用前景。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模 块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一 个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单 元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬 件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现， 处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、 数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。 实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指 令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便 于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的 任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其 他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据 结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围 的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析， 可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.基于平行卷积神经网络的结构损伤识别方法，其特征在于，包括：
S11数据采样：采集由加速度传感器记录的加速度数据，其中所述加速度传感器设置在目标结构的设定位置上，所述加速度数据包括对目标结构施加激励后由加速度传感器记录的振动响应；
S12数据预处理：对每个加速度传感器记录的加速度数据进行预处理，得到加速度数据序列及其时频图；
S13损伤识别：将各个加速度传感器对应的输入数据集输入到训练好的基于平行卷积神经网络的损伤识别模型中，由损伤识别模型对输入数据集进行特征提取和损伤类别预测，得到符合各损伤工况数据特征的概率；并根据符合各损伤工况数据特征的概率得到相应的结构损伤识别结果；其中输入数据集包括加速度时间序列及其时频图。
2.根据权利要求1所述的基于平行卷积神经网络的结构损伤识别方法，其特征在于，步骤S11中具体包括：
对目标结构施加激励，其中目标结构包括框架结构；
接收由设置在目标结构上的加速度传感器组记录的振动响应：
Figure FDA0003376991900000011
其中Kp表示第p个加速度传感器记录的加速度数据，其中p∈[1,P]，P表示加速度传感器的总数。
3.根据权利要求2所述的基于平行卷积神经网络的结构损伤识别方法，其特征在于，步骤S12具体包括：
对每个加速度传感器记录的加速度数据进行随机截取，截取固定长度的数据段作为数据样本，得到N段数据组成数据样本：
Figure FDA0003376991900000012
其中Kp,n表示第p个加速度传感器记录的加速度数据中随机截取的第n段数据，其中n∈[1,N]；其中设定每段数据的长度为L；
对数据样本进行零-均值标准化和连续小波变换，获取标准化后的时间序列及其小波时频图。
4.根据权利要求3所述的基于平行卷积神经网络的结构损伤识别方法，其特征在于，步骤S13中，所述训练好的基于平行卷积神经网络的损伤识别模型包括由多个平行卷积神经网络组合而成的网络群；其中每个平行卷积神经网络对应一个在目标结构的设定位置上设置的加速度传感器。
5.根据权利要求4所述的基于平行卷积神经网络的结构损伤识别方法，其特征在于，步骤S13包括：
将各个加速度传感器对应的输入数据集分别输入到对应的平行卷积神经网络中，由各平行卷积神经网络分别提取输入数据集特征并进行损伤类型预测，其中平行卷积神经网络的输出结果为对应的加速度传感器的N段数据样本中，符合不同损伤工况特征的数据段的数量；
针对每个平行卷积神经网络，计算符合各损伤工况特征的概率：
Figure FDA0003376991900000021
其中，PODj表示平行卷积神经网络判定输入数据集为损伤工况j的概率，表示输入数据集的数据特征和损伤工况j数据特征的相似程度，其中j∈[1,m]，m表示设定的损伤工况总数，nj表示平行卷积神经网络的输出结果，为符合损伤工况j数据特征的数据段的数量；基于得到的各损伤工况特征的概率计算加权损伤度：
Figure FDA0003376991900000022
其中Dtwai为加权损伤度，表示第i个平行卷积神经网络对目标结构整体的损伤评估，wj表示设定的针对损伤工况j的损伤程度，其中wj∈[0,1]；
将与各个平行卷积神经网络对应的加权损伤度进行加权平均处理，得到目标结构的整体结构健康评估信息：
Figure FDA0003376991900000023
其中D表示目标结构的损伤程度；Dtwai表示第i个平行卷积神经网络对目标结构整体的加权损伤度，p表示平行卷积神经网络的总数，ci表示第i个平行卷积神经网络对应的折减系数，其表示i号加速度传感器的数据对目标结构这个损伤的反映能力，其中ci∈[0,1]；
输出目标结构的损伤程度D对应的结构损伤识别结果。
6.根据权利要求1或5所述的基于平行卷积神经网络的结构损伤识别方法，其特征在于，该方法还包括：
S0训练损伤识别模型，具体包括：
S01训练工况设计；选定所述目标结构，并设置m组损伤工况，获取m个损伤工况对应的加速度数据作为模型的原始训练数据；
S02数据采样与分组：针对不同损伤工况的目标结构，对目标结构施加激励，获取目标结构在设定位置上的加速度传感器记录的加速度响应：
Figure FDA0003376991900000031
其中，Am表示对应第m个损伤工况下，各个加速度传感器记录的加速度响应数据组；
Um,p表示对应第m个数据组中第p个传感器记录的加速度数据；
根据上述得到的加速度响应进行重新组合，得到针对每个传感器记录的m个损伤工况数据组：
Figure FDA0003376991900000032
其中，Group-p表示第p个传感器记录的对应各个损伤工况下的加速度响应数据；
S03数据预处理：根据各个加速度传感器记录数据组分别构建训练数据集，包括：分别根据各个加速度传感器记录数据组进行随机截取，对随机截取的数据样本进行零-均值标准化，零-均值标准化后的加速度时间序列作为一维训练数据集，对零-均值标准化后的加速度时间序列进行连续小波变换，连续小波变换后获取的时频图作为二维训练数据集；
S04网络训练：将根据各个加速度传感器记录数据组得到的一维训练数据集和二维训练数据集分别作为对应平行卷积神经网络输入，完成各平行卷积神经网络的训练；
S05网络群：重复步骤S03和S04，完成各个平行卷积神经网络的训练，将训练出的p个平行卷积神经网络组合为网络群，完成损伤识别模型的训练。
7.基于平行卷积神经网络的结构损伤识别装置，其特征在于，该装置用于实现如权利要求1-6中任一项所述的基于平行卷积神经网络的结构损伤识别方法。
CN202111422491.5A 2021-11-26 2021-11-26 基于平行卷积神经网络的结构损伤识别方法和装置 Pending CN114357855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422491.5A CN114357855A (zh) 2021-11-26 2021-11-26 基于平行卷积神经网络的结构损伤识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422491.5A CN114357855A (zh) 2021-11-26 2021-11-26 基于平行卷积神经网络的结构损伤识别方法和装置

Publications (1)

Publication Number Publication Date
CN114357855A true CN114357855A (zh) 2022-04-15

Family

ID=81095572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422491.5A Pending CN114357855A (zh) 2021-11-26 2021-11-26 基于平行卷积神经网络的结构损伤识别方法和装置

Country Status (1)

Country Link
CN (1) CN114357855A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881782A (zh) * 2023-06-21 2023-10-13 清华大学 路面病害识别方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950526A (zh) * 2020-09-01 2020-11-17 国网河北省电力有限公司检修分公司 基于深度学习断路器储能机构故障诊断方法
CN112434624A (zh) * 2020-11-30 2021-03-02 广州大学 结构健康监测数据失真检测方法、系统、装置及存储介质
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950526A (zh) * 2020-09-01 2020-11-17 国网河北省电力有限公司检修分公司 基于深度学习断路器储能机构故障诊断方法
CN112434624A (zh) * 2020-11-30 2021-03-02 广州大学 结构健康监测数据失真检测方法、系统、装置及存储介质
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YE XIJUN 等: "Parallel convolutional neural network toward high efficiency and robust structural damage identification", 《STRUCTURAL HEALTH MONITORING-AN INTERNATIONAL JOURNAL》, vol. 22, no. 6, 20 March 2023 (2023-03-20), pages 3805 - 3826 *
孙世岩 等: "多输入混合深度学习网络的健康因子构建方法", 《系统工程与电子技术》, vol. 42, no. 10, 31 October 2020 (2020-10-31), pages 2390 - 2398 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881782A (zh) * 2023-06-21 2023-10-13 清华大学 路面病害识别方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110378869B (zh) 一种样本自动标注的钢轨扣件异常检测方法
CN111832216A (zh) 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN112001110B (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
KR102418596B1 (ko) 소규모 학습 데이터 셋 기반 딥러닝 시스템과 이를 이용한 딥러닝 학습방법
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN114169374B (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
CN112215696A (zh) 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质
CN115343676B (zh) 密封电子设备内部多余物定位技术的特征优化方法
CN114563150A (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
CN112308825A (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN114330650A (zh) 基于进化元学习模型训练的小样本特征分析方法及装置
CN116930759A (zh) 动力电池电压时间序列异常检测方法、电子设备、存储介质
CN117593037A (zh) 一种人机交互用户完成能力的预测方法
CN111352926B (zh) 数据处理的方法、装置、设备及可读存储介质
CN114357855A (zh) 基于平行卷积神经网络的结构损伤识别方法和装置
Sony Towards multiclass damage detection and localization using limited vibration measurements
Li et al. A machine learning-based data augmentation strategy for structural damage classification in civil infrastructure system
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
CN112382382B (zh) 一种代价敏感的集成学习分类方法及系统
Alfaz et al. Bridge crack detection using dense convolutional network (densenet)
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN106056150A (zh) 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法
CN117768022A (zh) 光纤检测模型的训练方法、光纤检测方法及相关设备
Zhang et al. Structural damage detection using convolutional neural networks based on modal strain energy and population of structures

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