CN114417681B - 基于动态决策和神经网络的二维结构变形监测方法及装置 - Google Patents

基于动态决策和神经网络的二维结构变形监测方法及装置 Download PDF

Info

Publication number
CN114417681B
CN114417681B CN202210335488.8A CN202210335488A CN114417681B CN 114417681 B CN114417681 B CN 114417681B CN 202210335488 A CN202210335488 A CN 202210335488A CN 114417681 B CN114417681 B CN 114417681B
Authority
CN
China
Prior art keywords
deformation
neural network
data
reconstruction
strain
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
Application number
CN202210335488.8A
Other languages
English (en)
Other versions
CN114417681A (zh
Inventor
王旭
彭高亮
李思珏
刘世伟
张建隆
程枫
吴林潮
赵祥杰
孙瑜
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.)
Harbin Institute of Technology
Institute of Fluid Physics of CAEP
Original Assignee
Harbin Institute of Technology
Institute of Fluid Physics of CAEP
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 Harbin Institute of Technology, Institute of Fluid Physics of CAEP filed Critical Harbin Institute of Technology
Priority to CN202210335488.8A priority Critical patent/CN114417681B/zh
Publication of CN114417681A publication Critical patent/CN114417681A/zh
Application granted granted Critical
Publication of CN114417681B publication Critical patent/CN114417681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

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

Abstract

本发明公开了基于动态决策和神经网络的二维结构变形监测方法及装置，包括获取二维平面结构不同位置不同时间的应变数据和结构变形值；构建数据集；构建深度神经网络模型并进行模型训练；对实时采集的应变数据进行动态决策分析，得到动态决策结果；将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；根据变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值法拟合出整个平面结构的变形场。发明变形重构精度高。

Description

基于动态决策和神经网络的二维结构变形监测方法及装置
技术领域
本发明涉及结构变形预测领域，具体涉及基于动态决策和神经网络的二维结构变形监测方法及装置。
背景技术
大型结构在外界风载、振动冲击等各种复杂多变的野外环境干扰下，会产生动态变形，从而严重影响结构性能和寿命。迫切的需要重构和预测结构变形量以进行健康监测和变形补偿。
准确的获取结构变形量是实现结构损伤评估、剩余寿命预测及振动控制的基础。当前常用的结构变形重构方法主要包括：模态叠加法、Ko位移理论。模态叠加法需要事先利用模态分析获得结构的模态特性，通过获取结构的模态坐标实现应变模态与位移模态的转换；模态法可使用较少的传感器完成变形重构，但对模型的建模精度与模态分析准确性要求较高，且会受到材料参数的影响。Ko位移理论适用于一维方向的位移重构，但只适用于板、梁等简单结构，应用对象较为单一。上述方法针对的都是变形场重构任务。变形场重构是利用当前时刻的结构应变信息获取变形量，变形场预测则根据当前时刻应变信息得到未来时刻的变形场。变形场重构精度更高，但由于信号采集和计算存在延时，因而无法为结构振动控制提供预先参考。利用预测的变形场可有效制定抑振策略，防止结构发生破坏，但预测的精度相对较低。因此，如何根据结构监测信号的历史信息，对变形场重构和预测任务进行动态决策是智能化结构监测任务中面临的关键问题。
发明内容
本发明目的在于解决上述现有技术的任一不足，针对二维结构在外界风载作用下监测灵活性差，系统建模困难，变形重构精度低等问题，提供基于动态决策和神经网络的二维结构变形监测方法及装置，本发明首先对平面上离散的传感器测点信息进行采集，构建数据集和深度神经网络模型，并进行模型训练；通过主成分分析、K均值聚类结合绝对平均变化率和模糊熵判断应执行重构还是预测任务。将样本送入负责不同任务的深度神经网络，并通过三次样条插值获取整个平面的变形场。本发明针对二维结构在外界风载作用下监测灵活性好，变形重构精度高；本发明为后续的结构寿命预测，主动抑振奠定基础。
本发明通过下述技术方案实现：
第一方面，本发明提供了基于动态决策和神经网络的二维结构变形监测方法，该方法包括：
获取二维平面结构不同位置不同时间的应变数据和结构变形值；
根据获取的所述应变数据和结构变形值，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；
根据所述数据集，构建深度神经网络模型并进行模型训练；所述深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；其中，所述基于卷积神经网络的变形重构模型是采用卷积神经网络进行变形重构；所述基于时间卷积网络的变形预测模型是采用时间卷积网络进行变形预测；
对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；具体通过计算各簇中的样本所对应的应变数据的总体模糊熵，并获得各簇间样本应变数据的绝对平均变化率，进而制定任务决策策略，得到动态决策结果；
根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值算法拟合出整个平面结构的变形场（重构变形场、预测变形场）。
工作原理是：
基于二维结构在外界风载作用下监测灵活性差，系统建模困难，变形重构精度低等问题，本发明设计了一种基于动态决策和神经网络的二维结构变形监测方法，尤其是在风载下的变形预测方法。本发明首先对平面上离散的传感器测点信息进行采集，构建数据集和深度神经网络模型，并进行模型训练；通过主成分分析、K均值聚类结合绝对平均变化率和模糊熵判断应执行重构还是预测任务。将样本送入负责不同任务的深度神经网络，并通过三次样条插值获取整个平面的变形场。发明针对二维结构在外界风载作用下监测灵活性好，变形重构精度高。
本发明采用基于数据驱动的深度神经网络对动态风载荷诱发的结构变形进行监测，可有效解决复杂结构精确建模困难，传统变形重构和预测精度不高的问题。由于动态风载荷的时变特性导致结构不同位置在各时刻发生的变形幅度，频率不同，基于降维和聚类分析，结合时变信号特点对不同时刻的应变测量样本提出了动态决策机制，对重构和预测任务实现自适应分配，使变形监测任务更加灵活。通过三次样条插值法进行曲面拟合，获得结构变形场。变形场重构结果可为结构健康评估提供理论依据，变形场预测结果可为后续结构实时主动抑振和变形补偿奠定基础，保证结构安全可靠使用。
进一步地，所述的获取二维平面结构不同位置不同时间的应变数据和结构变形值，是通过样机实验方式或数值仿真方式等手段获取数据；其中，通过数值仿真方式等手段获取数据包括：
采用有限元软件建立仿真模型，设定测点位置和边界条件，通过显示动力学分析法获取动态载荷作用下结构表面的应变数据和结构变形值。
进一步地，所述的采用有限元软件建立仿真模型，设定测点位置和边界条件，通过显示动力学分析法获取动态载荷作用下结构表面的应变数据和结构变形值；具体包括：
确定二维平面结构的物理和结构参数，在ANSYS软件中建立有限元模型；所述物理和结构参数包括材料密度、泊松比、弹性模量、结构长度和宽度等；
确定所述有限元模型的边界条件，对所述有限元模型进行网格划分，将时间历程的动态风载荷数据导入ANSYS软件中，并对二维平面结构整个表面施加该载荷；
确定传感器布局形式和数目，在仿真完成的所述有限元模型上按传感器布局设定测点；
获取动态风载作用下二维平面结构不同位置处应变响应
Figure 354611DEST_PATH_IMAGE001
和实际变形值
Figure 412696DEST_PATH_IMAGE002
,并提取二维平面结构所有单元的变形值
Figure 784246DEST_PATH_IMAGE003
。
进一步地，所述数据集构建步骤为利用获取的应变数据和结构变形值构建数据集，并进行训练集、验证集和测试集的划分。
进一步地，根据获取的应变数据和结构变形值，构建用于深度神经网络训练的数据集；具体包括：
将风载荷作用下各时刻结构所有单元的变形量
Figure 54821DEST_PATH_IMAGE004
沿时间通道排列得到全变形实值参考数据集
Figure 134773DEST_PATH_IMAGE005
，全变形实值参考数据集
Figure 268820DEST_PATH_IMAGE006
的矩阵表示为：
Figure 598170DEST_PATH_IMAGE007
将[0,T]时间段内提取的多测点应变响应
Figure 986950DEST_PATH_IMAGE008
和
Figure 718146DEST_PATH_IMAGE009
变形沿时间通道排列，得到用于基于卷积神经网络的变形重构模型训练的应变数据
Figure 790138DEST_PATH_IMAGE010
和变形数据
Figure 606785DEST_PATH_IMAGE011
，应变数据
Figure 983277DEST_PATH_IMAGE012
和变形数据
Figure 319712DEST_PATH_IMAGE013
的矩阵表示为：
Figure 595229DEST_PATH_IMAGE014
将
Figure 899171DEST_PATH_IMAGE015
时间段内提取的多测点应变响应
Figure 252923DEST_PATH_IMAGE016
和
Figure 958711DEST_PATH_IMAGE017
时间段内提取的多测点变形
Figure 339882DEST_PATH_IMAGE018
沿时间通道排列，得到用于基于时间卷积网络的变形预测模型训练的应变数据
Figure 131121DEST_PATH_IMAGE019
和应变数据
Figure 288564DEST_PATH_IMAGE020
，应变数据
Figure 848858DEST_PATH_IMAGE021
和应变数据
Figure 935019DEST_PATH_IMAGE022
的矩阵表示为：
Figure 26603DEST_PATH_IMAGE023
。
进一步地，所述的对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；具体包括：
利用主成分分析法PCA对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；
利用K均值聚类法K-means对所述应变数据矩阵进行聚类分析，得到划分后的簇；
计算各簇中的样本所对应的应变数据的模糊熵，并计算各簇间样本应变数据的差分绝对平均变化率；
根据所述差分绝对平均变化率和模糊熵，制定变形监测任务动态决策策略，得到动态决策结果。
进一步地，所述的根据所述差分绝对平均变化率和模糊熵，制定变形监测任务动态决策策略，得到动态决策结果；具体包括：
进行簇的差分绝对平均变化率大小判断：若该簇的差分绝对平均变化率是所有簇中最小的，继续判断该簇的模糊熵是否为所有簇中最小的，若该簇的模糊熵是所有簇中最小的，则采用基于时间卷积网络的变形预测模型进行变形预测；若该簇的模糊熵不是所有簇中最小的，则基于卷积神经网络的变形重构模型进行变形重构；若该簇的差分绝对平均变化率并不是所有簇中最小的，则基于卷积神经网络的变形重构模型进行变形重构。
进一步地，所述的利用主成分分析法PCA对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；具体包括：
将多测点应变数据变换为列向量并按时刻顺序拼接，得到随时间变化的应变矩阵；
根据所述应变矩阵，计算应变矩阵的协方差矩阵；
根据所述协方差矩阵，计算协方差矩阵的特征值和特征向量；
进行特征向量进行标准化处理，得到单位特征向量和单位特征向量矩阵；
取前
Figure 237005DEST_PATH_IMAGE024
个最大的特征值所对应的单位特征向量，得到降维矩阵；
根据所述降维矩阵和所述应变矩阵，进行二者相乘运算：所述降维矩阵乘以所述应变矩阵，得到降维后的应变数据矩阵。
进一步地，所述基于卷积神经网络的变形重构模型中的卷积神经网络CNN包括卷积层、激活层、池化层和全连接层；
所述卷积层和激活层，用于特征提取；所述池化层，用于特征降维（即约简）；所述全连接层，用于关系拟合；
其中，所述卷积层的感受野大小是根据传感测点数量进行调整；所述卷积层在融合数据的同时考虑了不同各测点信号间的相关性信息；所述卷积层的输出结果为：
Figure 635494DEST_PATH_IMAGE025
其中，
Figure 109201DEST_PATH_IMAGE026
为网络层数，
Figure 891343DEST_PATH_IMAGE027
为卷积滤波器通道总数，
Figure 843118DEST_PATH_IMAGE028
为第
Figure 618483DEST_PATH_IMAGE026
层第
Figure 794250DEST_PATH_IMAGE029
个卷积滤波器的权重，
Figure 532530DEST_PATH_IMAGE031
为第
Figure 819155DEST_PATH_IMAGE032
个输入样本。
进一步地，所述基于时间卷积网络的变形预测模型中的时间卷积网络TCN包括空洞卷积模块和残差连接模块；
所述空洞卷积模块，用于获取不同传感器间的时序相关性特征；
所述残差连接模块，用于使得网络可跨层传递信息，避免层数过多导致信息丢失；所述残差连接模块包括两层卷积映射和维度变换映射两部分。
第二方面，本发明又提供了基于动态决策和神经网络的二维结构变形监测装置，该装置支持所述的基于动态决策和神经网络的二维结构变形监测方法；该装置包括：
数据采集单元，用于获取二维平面结构不同位置不同时间的应变数据和结构变形值；
数据集构建单元，用于根据获取的所述应变数据和结构变形值，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；
深度神经网络模型建立与训练单元，用于根据所述数据集，构建深度神经网络模型并进行模型训练；所述深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；
变形监测任务动态决策单元，用于对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；
离散测点变形重构和预测单元，用于根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
平面结构变形场计算单元，用于根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值算法拟合出整个平面结构的变形场（重构变形场、预测变形场）。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于动态决策和神经网络的二维结构变形监测方法及装置，采用基于数据驱动的深度神经网络对动态风载荷诱发的结构变形进行监测，可有效解决复杂结构精确建模困难，传统变形重构和预测精度不高的问题。由于动态风载荷的时变特性导致结构不同位置在各时刻发生的变形幅度，频率不同，基于降维和聚类分析，结合时变信号特点对不同时刻的应变测量样本提出了动态决策机制，对重构和预测任务实现自适应分配，使变形监测任务更加灵活。通过三次样条插值法进行曲面拟合，获得结构变形场。变形场重构结果可为结构健康评估提供理论依据，变形场预测结果可为后续结构实时主动抑振和变形补偿奠定基础，保证结构安全可靠使用。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明基于动态决策和神经网络的二维结构变形监测方法流程图；
图2是本发明卷积神经网络结构图；
图3是本发明空洞卷积的结构图；
图4是本发明残差连接图；
图5是本发明基于动态决策和神经网络的二维结构变形监测方法整体流程图；
图6是本发明二维平面结构有限元模型图；
图7是本发明动态风载荷时间历程曲线图；
图8是本发明传感测点布局图；
图9是本发明风载作用下的各测点应变响应时间历程图；
图10是本发风载作用下的各测点变形响应时间历程图；
图11是本发明不同工况风载下的任务决策结果图；
图12是本发明重构变形场和预测变形场图；
图13是本发明基于动态决策和神经网络的二维结构变形监测装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1至图12所示，本发明基于动态决策和神经网络的二维结构变形监测方法，如图1所示，该方法包括：
获取二维平面结构不同位置不同时间的应变数据和结构变形值；
根据获取的所述应变数据和结构变形值，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；
根据所述数据集，构建深度神经网络模型并进行模型训练；并保留训练完成后的网络模型参数；所述深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；其中，所述基于卷积神经网络的变形重构模型是采用卷积神经网络(CNN)进行变形重构；所述基于时间卷积网络的变形预测模型是采用时间卷积网络(TCN)进行变形预测；
对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；具体通过计算各簇中的样本所对应的应变数据的总体模糊熵，并获得各簇间样本应变数据的绝对平均变化率，进而制定任务决策策略，得到动态决策结果；
根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值算法拟合出整个平面结构的变形场（重构变形场、预测变形场）。
工作原理是：
基于二维结构在外界风载作用下监测灵活性差，系统建模困难，变形重构精度低等问题，本发明设计了一种基于动态决策和神经网络的二维结构变形监测方法，尤其是在风载下的变形预测方法。本发明首先对平面上离散的传感器测点信息进行采集，构建数据集和深度神经网络模型，并进行模型训练；通过主成分分析、K均值聚类结合绝对平均变化率和模糊熵判断应执行重构还是预测任务。将样本送入负责不同任务的深度神经网络，并通过三次样条插值获取整个平面的变形场。发明针对二维结构在外界风载作用下监测灵活性好，变形重构精度高。
本发明采用基于数据驱动的深度神经网络对动态风载荷诱发的结构变形进行监测，可有效解决复杂结构精确建模困难，传统变形重构和预测精度不高的问题。由于动态风载荷的时变特性导致结构不同位置在各时刻发生的变形幅度，频率不同，基于降维和聚类分析，结合时变信号特点对不同时刻的应变测量样本提出了动态决策机制，对重构和预测任务实现自适应分配，使变形监测任务更加灵活。通过三次样条插值法进行曲面拟合，获得结构变形场。变形场重构结果可为结构健康评估提供理论依据，变形场预测结果可为后续结构实时主动抑振和变形补偿奠定基础，保证结构安全可靠使用。
在一个实施方案中，所述的获取二维平面结构不同位置不同时间的应变数据和结构变形值，是通过样机实验方式或数值仿真方式等手段获取结构不同测点处0至T时间段内的各时刻的多通道应变数据S及相同位置处的结构变形值D；
具体地，通过样机实验方式手段获取，包括：
在实验室环境下利用样机获取模型训练数据，在结构不同位置事先布置多个应变测点，例如，采用多通道应变片或光纤光栅传感器。由于环境风载会使结构产生不同程度的形变，通过数据采集装置获取不同动载荷下的多通道应变值，同时利用测量仪器获得结构变形实值。为了保证深神经网络模型在实际使用时的精度，需尽量采集不同类型和程度动载荷下的应变和变形数据。
具体地，通过数值仿真方式手段进行获取，包括：
采用有限元软件建立仿真模型，设定测点位置和边界条件，通过显示动力学分析法获取动态载荷作用下结构表面的应变数据和结构变形值。例如，可以包括如下步骤：
确定二维平面结构的物理和结构参数，在ANSYS软件中建立有限元模型；所述物理和结构参数包括材料密度、泊松比、弹性模量、结构长度和宽度等；
确定所述有限元模型的边界条件，对所述有限元模型进行网格划分，将时间历程的动态风载荷数据导入ANSYS软件中，并对二维平面结构整个表面施加该载荷；
确定传感器布局形式和数目，在仿真完成的所述有限元模型上按传感器布局设定测点；
获取动态风载作用下二维平面结构不同位置处应变响应
Figure 457815DEST_PATH_IMAGE033
和实际变形值
Figure 804483DEST_PATH_IMAGE034
,并提取二维平面结构所有单元的变形值
Figure 30059DEST_PATH_IMAGE035
。
在一个实施方案中，所述的根据获取的所述应变数据和结构变形值，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；具体包括：
根据获取的所述应变数据S和结构变形值D，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；变形重构数据集将k时刻的
Figure 385954DEST_PATH_IMAGE036
和
Figure 147630DEST_PATH_IMAGE037
作为样本和标签，重构数据集则将k时刻的
Figure 399620DEST_PATH_IMAGE038
与
Figure 315754DEST_PATH_IMAGE039
时刻的变形
Figure 255766DEST_PATH_IMAGE040
视为训练数据和拟合目标。
在一个实施方案中，所述数据集构建步骤为利用获取的应变数据和结构变形值构建数据集，并进行训练集、验证集和测试集的划分。三者的比例优选为8:1:1。
在一个实施方案中，所述的根据获取的应变数据和结构变形值，是利用通过有限元仿真获得的变形和应变数据构建用于深度神经网络训练的数据集；具体包括：
将风载荷作用下各时刻结构所有单元的变形量
Figure 885331DEST_PATH_IMAGE041
沿时间通道排列得到全变形实值参考数据集
Figure 58954DEST_PATH_IMAGE042
，全变形实值参考数据集
Figure 88484DEST_PATH_IMAGE043
的矩阵表示为：
Figure 520602DEST_PATH_IMAGE007
将[0,T]时间段内提取的多测点应变响应
Figure 224247DEST_PATH_IMAGE044
和
Figure 83619DEST_PATH_IMAGE045
变形沿时间通道排列，得到用于基于卷积神经网络的变形重构模型训练的应变数据
Figure 692454DEST_PATH_IMAGE046
和变形数据
Figure 911952DEST_PATH_IMAGE047
，应变数据
Figure 984950DEST_PATH_IMAGE048
和变形数据
Figure 765956DEST_PATH_IMAGE049
的矩阵表示为：
Figure 924404DEST_PATH_IMAGE014
将
Figure 950523DEST_PATH_IMAGE050
时间段内提取的多测点应变响应
Figure 878027DEST_PATH_IMAGE052
和
Figure 361092DEST_PATH_IMAGE053
时间段内提取的多测点变形
Figure 210100DEST_PATH_IMAGE054
沿时间通道排列，得到用于基于时间卷积网络的变形预测模型训练的应变数据
Figure 771400DEST_PATH_IMAGE055
和应变数据
Figure 818990DEST_PATH_IMAGE056
，应变数据
Figure 941798DEST_PATH_IMAGE058
和应变数据
Figure 74839DEST_PATH_IMAGE060
的矩阵表示为：
Figure 266979DEST_PATH_IMAGE023
。
在一个实施方案中，如图2所示，所述基于卷积神经网络的变形重构模型中的卷积神经网络CNN包括卷积层、激活层、池化层和全连接层；
所述卷积层和激活层，用于特征提取；其中所述卷积层采用了宽卷积核与小卷积核组合方式获取数据的全局特性和细节特征，所述激活层可提升网络的非线性能力；
所述池化层，用于特征降维（即约简）；
所述全连接层，用于关系拟合；
由于在k时刻的单个应变数据样本
Figure 169076DEST_PATH_IMAGE061
为二维矩阵，可通过卷积运算提取多个不同测点处应变信号之间的相关性特征，最终利用全连接运算拟合出相同尺寸的变形矩阵
Figure 259523DEST_PATH_IMAGE062
。
其中，所述卷积层的感受野大小是根据传感测点数量进行调整；所述卷积层在融合数据的同时考虑了不同各测点信号间的相关性信息；所述卷积层的输出结果为：
Figure 614281DEST_PATH_IMAGE025
其中，
Figure 782963DEST_PATH_IMAGE063
为网络层数，
Figure 273987DEST_PATH_IMAGE064
为卷积滤波器通道总数，
Figure 738598DEST_PATH_IMAGE028
为第
Figure 846231DEST_PATH_IMAGE065
层第
Figure 710282DEST_PATH_IMAGE066
个卷积滤波器的权重，
Figure 167064DEST_PATH_IMAGE031
为第
Figure 255106DEST_PATH_IMAGE067
个输入样本。
批归一化层对神经网络获取的每一批样本进行归一化处理。经过批归一化操作后样本分布间的差异被大大缩小，可以显著加快神经网络的训练速度和泛化能力。针对样本
Figure 69609DEST_PATH_IMAGE068
批归一化层的输出结果为：
Figure 330826DEST_PATH_IMAGE069
其中，
Figure 780131DEST_PATH_IMAGE070
为神经网络神经元的输出，
Figure 101391DEST_PATH_IMAGE072
和
Figure 934349DEST_PATH_IMAGE073
为尺度和平移系数，
Figure 468098DEST_PATH_IMAGE074
和
Figure 305998DEST_PATH_IMAGE075
为求方差和均值运算。
激活层的用于是增强神经网络的非线性拟合能力，这里采用整流线性单元，其定义如下所示：
Figure 594897DEST_PATH_IMAGE076
针对多个卷积模块的最终输出特征，采用全连接层进行尺度变换和应变，变形之间的关系拟合，其输出结果为：
Figure 39784DEST_PATH_IMAGE077
其中，
Figure 393537DEST_PATH_IMAGE078
为全连接层的权重，
Figure 145330DEST_PATH_IMAGE079
为全连接层输出。
在一个实施方案中，所述基于时间卷积网络的变形预测模型中的时间卷积网络TCN包括空洞卷积模块和残差连接模块；
所述空洞卷积模块，用于获取不同传感器间的时序相关性特征；
所述残差连接模块，用于使得网络可跨层传递信息，避免层数过多导致信息丢失。
由于预测任务需要用
Figure 542813DEST_PATH_IMAGE080
时刻的结构应变
Figure 881522DEST_PATH_IMAGE081
估计
Figure 22653DEST_PATH_IMAGE082
时刻的结构变形
Figure 835144DEST_PATH_IMAGE083
,因此需要挖掘数据的深层次时间序列特征。
所述空洞卷积模块的输出结果为：
Figure 403529DEST_PATH_IMAGE084
其中
Figure 167217DEST_PATH_IMAGE085
为膨胀率系数，其表示卷积核的间距大小，
Figure 49722DEST_PATH_IMAGE086
为空洞卷积权值，
Figure 776107DEST_PATH_IMAGE087
为空洞卷积输出。空洞卷积通过调整膨胀率系数可以获得相比普通卷积层更大的感受野，有利于提取非相邻数据间的特征，通过多个不同时间尺度的空洞卷积可以有效挖掘信号的深层次时序特征，图3示出了空洞卷积结构图。
所述残差连接模块包括两层卷积映射和维度变换映射两部分，可以有效的解决深度网络在反向传播过程中的梯度消散问题，如图4，残差连接可表示为：
Figure 780973DEST_PATH_IMAGE088
其中，
Figure 31956DEST_PATH_IMAGE089
为直接映射，
Figure 186994DEST_PATH_IMAGE090
为残差映射，
Figure 456302DEST_PATH_IMAGE092
为通道变换层的权重；
Figure 606967DEST_PATH_IMAGE093
为时间卷积网络的输出。
在一个实施方案中，深度神经网络模型的模型训练首先将训练数据与对应实值间的误差值作为优化目标，采用不同的优化算法，以反向传播形式习得使模型输出误差最小的参数。其中以均方误差(MSE)作为损失函数，公式如下所示：
Figure 594515DEST_PATH_IMAGE094
其中，
Figure 428610DEST_PATH_IMAGE095
为网络输出变形预测值；
Figure 818003DEST_PATH_IMAGE096
为未来时刻的变形实际值。
例如，采用自适应矩估计(Adam)进行模型训练。具体来说，设
Figure 413938DEST_PATH_IMAGE097
和
Figure 826465DEST_PATH_IMAGE098
为深度模型参数，则优化过程可表示如下：
Figure 198672DEST_PATH_IMAGE099
式中，
Figure 442571DEST_PATH_IMAGE100
为梯度值，
Figure 212337DEST_PATH_IMAGE101
和
Figure 846581DEST_PATH_IMAGE102
为前后时刻的有偏一阶矩估计，
Figure 475008DEST_PATH_IMAGE103
，
Figure 58568DEST_PATH_IMAGE104
为有偏二阶估计，
Figure 12617DEST_PATH_IMAGE105
，
Figure 711321DEST_PATH_IMAGE106
为有偏二阶矩估计1衰减值，
Figure 815543DEST_PATH_IMAGE107
,
Figure 34035DEST_PATH_IMAGE108
,
Figure 440876DEST_PATH_IMAGE110
,
Figure 160964DEST_PATH_IMAGE111
为指数衰减率，
Figure 600036DEST_PATH_IMAGE112
，
Figure 220504DEST_PATH_IMAGE113
为超参数，
Figure 250777DEST_PATH_IMAGE114
为模型学习率。
在一个实施方案中，所述的对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；具体包括：
利用主成分分析法PCA对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；
利用K均值聚类法K-means对所述应变数据矩阵进行聚类分析，得到划分后的簇；
计算各簇中的样本所对应的应变数据的模糊熵，并计算各簇间样本应变数据的差分绝对平均变化率；
根据所述差分绝对平均变化率和模糊熵，制定变形监测任务动态决策策略，得到动态决策结果。
具体地，所述的根据所述差分绝对平均变化率和模糊熵，制定变形监测任务动态决策策略，得到动态决策结果；具体包括：
进行簇的差分绝对平均变化率大小判断：若该簇的差分绝对平均变化率是所有簇中最小的，继续判断该簇的模糊熵是否为所有簇中最小的，若该簇的模糊熵是所有簇中最小的，则采用基于时间卷积网络的变形预测模型进行变形预测；若该簇的模糊熵不是所有簇中最小的，则基于卷积神经网络的变形重构模型进行变形重构；若该簇的差分绝对平均变化率并不是所有簇中最小的，则基于卷积神经网络的变形重构模型进行变形重构。
具体地，所述的利用主成分分析法PCA对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；具体包括：
将多测点应变数据变换为列向量并按时刻顺序拼接，得到随时间变化的应变矩阵；
根据所述应变矩阵，计算应变矩阵的协方差矩阵；
根据所述协方差矩阵，计算协方差矩阵的特征值和特征向量；
进行特征向量进行标准化处理，得到单位特征向量和单位特征向量矩阵；
取前l个最大的特征值所对应的单位特征向量，得到降维矩阵；
根据所述降维矩阵和所述应变矩阵，进行二者相乘运算：所述降维矩阵乘以所述应变矩阵，得到降维后的应变数据矩阵。
例如，在一个实施方案中，针对[0,T]时间段内获取的多测点应变矩阵，采用主成分分析法PCA进行特征维数约减。PCA通过线性映射将高维的数据映射到低维空间，且在该低维空间上数据具有最大方差，以此用较少的数据量保留大部分原始数据的关键特征。对t时刻的应变矩阵按行展开，可得：
Figure 658493DEST_PATH_IMAGE115
其中，
Figure 901256DEST_PATH_IMAGE116
为所有测点数量，
Figure 110651DEST_PATH_IMAGE117
和
Figure 46246DEST_PATH_IMAGE118
分别为测点数矩阵的行和列，设时间段内共有
Figure 944189DEST_PATH_IMAGE119
个时刻，则该段时间的应变矩阵可表示为
Figure 256221DEST_PATH_IMAGE120
，针对应变矩阵
Figure 54544DEST_PATH_IMAGE121
和低维空间的维度
Figure 426620DEST_PATH_IMAGE122
对样本进行均值标准化：
Figure 231765DEST_PATH_IMAGE123
其中，
Figure 596756DEST_PATH_IMAGE124
为时间段
Figure 498853DEST_PATH_IMAGE125
内的样本均值，
Figure 792562DEST_PATH_IMAGE126
为均值标准化后的应变矩阵，接着计算标准化后样本的协方差矩阵
Figure 881741DEST_PATH_IMAGE127
：
Figure 65071DEST_PATH_IMAGE128
其中
Figure 821675DEST_PATH_IMAGE129
为应变矩阵的转置，对协方差矩阵进行特征值分析：
Figure 286285DEST_PATH_IMAGE130
上式中
Figure 393918DEST_PATH_IMAGE131
和
Figure 897450DEST_PATH_IMAGE132
分别为协方差矩阵的特征向量和特征值。其中特征值满足
Figure 508560DEST_PATH_IMAGE133
。对特征向量进行单位化可得：
Figure 409651DEST_PATH_IMAGE134
其中，
Figure 739001DEST_PATH_IMAGE136
为标准化后的特征向量，
Figure 986836DEST_PATH_IMAGE137
为单位化特征向量矩阵，取最大的前
Figure 452452DEST_PATH_IMAGE138
个特征值所对应的特征向量可得降维矩阵
Figure 524445DEST_PATH_IMAGE139
为：
Figure 75512DEST_PATH_IMAGE140
最终获得降维后的应变数据矩阵
Figure 389687DEST_PATH_IMAGE141
：
Figure 647493DEST_PATH_IMAGE143
在一个实施方案中，利用K均值聚类法K-means对所述应变数据矩阵进行聚类分析，计算过程如下：
从
Figure 608496DEST_PATH_IMAGE144
个样本随机选取
Figure 663171DEST_PATH_IMAGE145
个数据文档作为质心（聚类中心）；针对每个样本计算其到各质心的距离，并将其归到最近的质心所属的类；重新计算已经得到的各个类的质心；迭代上述两步直至新的质心与原质心相等或小于指定阈值，算法结束。本发明采取当所有样本所属的质心都不再变化时，算法收敛。
例如，在一个实施方案中，对降维后的[0,T]时间段的应变矩阵
Figure 531770DEST_PATH_IMAGE141
采用K-means算法进行聚类分析。参考K-means计算方法从
Figure 958596DEST_PATH_IMAGE146
中随机选取
Figure 887238DEST_PATH_IMAGE147
个样本
Figure 898051DEST_PATH_IMAGE148
作为初始聚类中心：
Figure 304761DEST_PATH_IMAGE149
计算样本
Figure 114323DEST_PATH_IMAGE150
与初值聚类中心间的距离
Figure 682708DEST_PATH_IMAGE151
，并根据最近的距离将样本划分入初值聚类中心对应的簇
Figure 711975DEST_PATH_IMAGE152
。随后针对每个簇重新计算所有属于该簇的样本的总质心
Figure 453535DEST_PATH_IMAGE153
，将作为新的聚类中心进行更新；
Figure 120533DEST_PATH_IMAGE155
Figure 859819DEST_PATH_IMAGE156
为聚类数目，重复上面操作，直至总质心不发生变化或满足迭代次数终止条件，k-means算法结束运算并给出最终的簇划分：
Figure 845223DEST_PATH_IMAGE157
其中
Figure 593736DEST_PATH_IMAGE158
为第i个簇，根据k-means划分后各簇内样本的整体特性确定适当的变形监测任务。采用模糊熵衡量簇内样本的信息量，对于包含
Figure 112311DEST_PATH_IMAGE159
个样本簇。确定
Figure 960182DEST_PATH_IMAGE160
后好相空间维数
Figure 947729DEST_PATH_IMAGE161
和相似容限度
Figure 985086DEST_PATH_IMAGE162
后，可得第
Figure 312163DEST_PATH_IMAGE164
个样本的相空间
Figure 696046DEST_PATH_IMAGE165
：
Figure 905311DEST_PATH_IMAGE166
其中
Figure 543097DEST_PATH_IMAGE167
。
引入模糊隶属函数
Figure 786996DEST_PATH_IMAGE168
：
Figure 553833DEST_PATH_IMAGE169
继而可得：
Figure 250393DEST_PATH_IMAGE170
其中
Figure 895133DEST_PATH_IMAGE171
为相空间
Figure 727959DEST_PATH_IMAGE172
和
Figure 137468DEST_PATH_IMAGE173
间的最大绝对距离，可表示如下：
Figure 586904DEST_PATH_IMAGE174
可得模糊隶属度
Figure 504176DEST_PATH_IMAGE175
：
Figure 830990DEST_PATH_IMAGE176
平均模糊隶属度为
Figure 690361DEST_PATH_IMAGE177
：
Figure 315509DEST_PATH_IMAGE178
最终可得模糊熵
Figure 131412DEST_PATH_IMAGE179
：
Figure 142093DEST_PATH_IMAGE180
模糊熵可衡量样本的混乱程度，熵值越大，数据所包含的信息量越大，也就越难对其进行预测。另一项判别指标为子簇差分绝对平均变化率，对于某一簇内的样本向量，第
Figure 172366DEST_PATH_IMAGE181
个差分
Figure 815968DEST_PATH_IMAGE183
计算如下：
Figure 324310DEST_PATH_IMAGE184
则第
Figure 563399DEST_PATH_IMAGE185
个差分
Figure 498994DEST_PATH_IMAGE186
的变化率为：
Figure 551263DEST_PATH_IMAGE187
差分绝对平均变化率为：
Figure 614028DEST_PATH_IMAGE188
获取子簇应变信息的不同特征后，制定变形监测决策准则：
(1)该簇的差分绝对平均变化率为所有簇中最小；
(2)该簇的模糊熵为所有簇中最小；
满足(1)，(2)说明应变数据较为平稳，可预测性较强，针对该簇样本进行采取变形预测。对不满足上述条件的应变样本则进行变形重构。
在一个实施方案中，所述的对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；CNN网络负责变形重构，输入为
Figure 661619DEST_PATH_IMAGE189
时刻的应变数据，输出为
Figure 82629DEST_PATH_IMAGE189
时刻的变形数据。TCN网络进行变形预测，输入为
Figure 684512DEST_PATH_IMAGE189
时刻的应变数据，输出为
Figure 472339DEST_PATH_IMAGE190
时刻的变形数据。例如，基于变形监测任务动态决策步骤的分析和决策过程后可得重构应变矩阵
Figure 859590DEST_PATH_IMAGE191
和预测应变矩阵
Figure 199304DEST_PATH_IMAGE192
，分别送入CNN和TCN获得离散变形矩阵
Figure 68909DEST_PATH_IMAGE193
和
Figure 457165DEST_PATH_IMAGE195
，分别代表
Figure 230080DEST_PATH_IMAGE189
时刻和
Figure 616062DEST_PATH_IMAGE190
时刻结构不同测点位置处的变形值。
在一个实施方案中，所述平面结构变形场计算步骤中利用网络输出的各测点处
Figure 989274DEST_PATH_IMAGE196
时刻和
Figure 710716DEST_PATH_IMAGE197
时刻的变形量，通过三次样条插值获得重构变形场和预测变形场，并与实际变形量进行比较和误差分析。
例如，利用三次样条插值处理
Figure 321826DEST_PATH_IMAGE199
和
Figure 878710DEST_PATH_IMAGE200
后即可得到结构表面
Figure 693213DEST_PATH_IMAGE201
和
Figure 954430DEST_PATH_IMAGE202
时刻的变形场。以
Figure 466052DEST_PATH_IMAGE203
为例，设
Figure 193836DEST_PATH_IMAGE203
有
Figure 744903DEST_PATH_IMAGE204
个数据点
Figure 357281DEST_PATH_IMAGE205
，其中
Figure 349508DEST_PATH_IMAGE206
和
Figure 310511DEST_PATH_IMAGE208
分别为第
Figure 663388DEST_PATH_IMAGE209
个数据点的横坐标和纵坐标，可得计算步长
Figure 829DEST_PATH_IMAGE210
：
Figure 847562DEST_PATH_IMAGE211
可得：
Figure 58095DEST_PATH_IMAGE212
其中
Figure 318175DEST_PATH_IMAGE214
，
Figure 396989DEST_PATH_IMAGE216
，
Figure 675393DEST_PATH_IMAGE217
，
Figure DEST_PATH_IMAGE219
，
Figure 495974DEST_PATH_IMAGE220
为样条曲线参数，二次微分值
Figure 56400DEST_PATH_IMAGE221
可通过样条函数的二次导数求得，这里不再赘述。在每个子区间
Figure 470064DEST_PATH_IMAGE222
上可得到插值结果
Figure 727607DEST_PATH_IMAGE223
：
Figure 922353DEST_PATH_IMAGE224
图5示出了上述详细步骤的流程图。
本发明与现有技术相比，具有以下特点：
1、采用基于数据驱动的深度神经网络对动态风载荷诱发的结构变形进行监测。可有效解决复杂结构精确建模困难，传统变形重构和预测精度不高的问题。
2、由于动态风载荷的时变特性导致结构不同位置在各时刻发生的变形幅度，频率不同，基于降维和聚类分析，结合时变信号特点对不同时刻的应变测量样本提出了动态决策机制，对重构和预测任务实现自适应分配，使变形监测任务更加灵活。
3、通过三次样条插值方法进行曲面拟合，获得结构变形场。变形场重构结果可为结构健康评估提供理论依据，变形场预测结果可为后续结构实时主动抑振和变形补偿奠定基础，保证结构安全可靠使用。
下面结合图5-12，说明本发明基于动态决策和神经网络的二维结构变形监测方法的一个具体实施例及其验证。
一、确定二维平面结构物理参数，创建有限元模型
本仿真算例的二维平面结构长度、宽度和厚度分别为400mm,400mm和10mm。选用铝材料作为结构的属性，具体参数如表1所示，整个结构采用板单元Shell63进行网格划分,划分网格数为361。在ANSYS中的结构有限元模型如图6所示：
表1 材料属性
Figure 547238DEST_PATH_IMAGE225
二、确定结构约束条件，施加动态载荷
采用单端简支的方式约束二维平面结构，通过显示分析的方式对整个平面施加动态风载荷，风载的时间历程曲线如图7所示。
三、确定测点位置，获取动态响应
在二维平面结构上设定100个应变传感测点，具体测点分布位置如图8所示。通过显示动力学分析得到不同测点处的位移和应变响应，如图9-10所示。
四、重构和预测二维平面结构的变形场
通过动态任务决策将不同时刻采集的应变响应数据分别送入CNN和TCN进行变形重构和变形预测。为了模拟真实数据采集过程，对
Figure 843221DEST_PATH_IMAGE226
时间段内的仿真数据进行分析，
Figure 743220DEST_PATH_IMAGE227
取200ms。对CNN和TCN输出的离散值进行三次样条插值后即可得到重构变形场和预测变形场。
五、结果与分析
针对动态风载作用下两种典型的应变曲线，不同工况风载下的任务决策结果图如图11所示，其中图11(a)为工况1，图11(b)为工况2。图11中小圆点线图、菱形点线图和大圆点线图三种代表三个子簇，星号为聚类中心。对各子簇进行计算总体模糊熵和绝对平均变化率，结果如表2所示。可见菱形点线图曲线段所属子簇的模糊熵和绝对平均变化率皆最小，因此对这段样本采取变形预测，对另外两个子簇的所属样本采取变形重构。
图12是本发明重构变形场和预测变形场图；其中图12(a)为
Figure 732036DEST_PATH_IMAGE228
时刻重构变形场，图12(b)为
Figure 391687DEST_PATH_IMAGE230
时刻变形场实值，图12(c)为
Figure 537367DEST_PATH_IMAGE231
时刻预测变形场，图12(d)为
Figure 506853DEST_PATH_IMAGE232
时刻变形场实值。
表2 不同工况下各子簇的模糊熵和绝对平均变化率
Figure 135412DEST_PATH_IMAGE234
动态风载作用下
Figure DEST_PATH_IMAGE235
时刻的二维结构应变测量值如表3所示：
表3
Figure 797206DEST_PATH_IMAGE236
时刻不同测点处的二维结构应变测量值
Figure DEST_PATH_IMAGE237
重构出的
Figure 874140DEST_PATH_IMAGE235
时刻二维平面测点变形如表4所示：
表4
Figure 429624DEST_PATH_IMAGE238
时刻不同测点处的二维结构变形重构结果与实际值
Figure DEST_PATH_IMAGE239
预测出的
Figure 871494DEST_PATH_IMAGE240
时刻二维平面测点位移如表5所示：
表5
Figure DEST_PATH_IMAGE241
时刻不同测点处的二维结构变形预测结果与实际值
Figure 177842DEST_PATH_IMAGE242
平均重构和预测误差如表6所示：
表6 变形重构与预测误差
Figure DEST_PATH_IMAGE243
对重构和预测变形值进行三次样条插值，得到整个平面结构
Figure 585032DEST_PATH_IMAGE244
时刻的重构变形场和
Figure DEST_PATH_IMAGE245
时刻的预测变形场，结果如图11所示，平均误差如表7所示：
表7 重构变形场与预测变形场误差
Figure 558804DEST_PATH_IMAGE246
由表6和表7结果可知，通过对离散测点进行插值获取变形场会导致平均误差的上升。最终的变形重构场和变形预测场的平均误差为1.41%和6.17%，证明本发明获取的变形场精度满足要求。
实施例2
如图13所示，本实施例与实施例1的区别在于，本实施例提供了基于动态决策和神经网络的二维结构变形监测装置，该装置支持实施例1所述的基于动态决策和神经网络的二维结构变形监测方法；该装置包括：
数据采集单元，用于获取二维平面结构不同位置不同时间的应变数据和结构变形值；
数据集构建单元，用于根据获取的所述应变数据和结构变形值，构建用于深度神经网络训练的数据集；所述数据集包括变形重构数据集和变形预测数据集；
深度神经网络模型建立与训练单元，用于根据所述数据集，构建深度神经网络模型并进行模型训练；所述深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；
变形监测任务动态决策单元，用于对实时采集的应变数据进行动态决策分析，制定变形监测任务动态决策策略，得到动态决策结果；
离散测点变形重构和预测单元，用于根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
平面结构变形场计算单元，用于根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值算法拟合出整个平面结构的变形场（重构变形场、预测变形场）。
其中，各个单元的执行过程按照实施例1所述的基于动态决策和神经网络的二维结构变形监测方法流程步骤执行即可，此实施例中不再一一赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于动态决策和神经网络的二维结构变形监测方法，其特征在于，包括：
获取二维平面结构不同位置不同时间的应变数据和结构变形值；
根据获取的应变数据和结构变形值，构建数据集；所述数据集包括变形重构数据集和变形预测数据集；
根据所述数据集，构建深度神经网络模型并进行模型训练；深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；
对实时采集的应变数据进行动态决策分析，制定任务决策策略，得到动态决策结果；
根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值法拟合出整个平面结构的变形场；
所述的对实时采集的应变数据进行动态决策分析，制定任务决策策略，得到动态决策结果；具体包括：
利用主成分分析法对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；
利用K均值聚类法对所述应变数据矩阵进行聚类分析，得到划分后的簇；
计算各簇中的样本所对应的应变数据的模糊熵，并计算各簇间样本应变数据的差分绝对平均变化率；
根据所述差分绝对平均变化率和模糊熵，制定任务决策策略，得到动态决策结果；
所述的根据所述差分绝对平均变化率和模糊熵，制定任务决策策略，得到动态决策结果；具体包括：
进行簇的差分绝对平均变化率大小判断：若该簇的差分绝对平均变化率是所有簇中最小的，继续判断该簇的模糊熵是否为所有簇中最小的，若该簇的模糊熵是所有簇中最小的，则进行变形预测；若该簇的模糊熵不是所有簇中最小的，则进行变形重构；若该簇的差分绝对平均变化率并不是所有簇中最小的，则进行变形重构。
2.根据权利要求1所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述的获取二维平面结构不同位置不同时间的应变数据和结构变形值，是通过数值仿真方式获取数据；包括：
采用有限元软件建立仿真模型，设定测点位置和边界条件，通过显示动力学分析法获取动态载荷作用下结构表面的应变数据和结构变形值。
3.根据权利要求2所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述的采用有限元软件建立仿真模型，设定测点位置和边界条件，通过显示动力学分析法获取动态载荷作用下结构表面的应变数据和结构变形值；具体包括：
确定二维平面结构的物理和结构参数，在ANSYS软件中建立有限元模型；所述物理和结构参数包括材料密度、泊松比、弹性模量、结构长度和宽度；
确定所述有限元模型的边界条件，对所述有限元模型进行网格划分，将时间历程的动态风载荷数据导入ANSYS软件中，并对二维平面结构整个表面施加该载荷；
确定传感器布局形式和数目，在仿真完成的所述有限元模型上按传感器布局设定测点；
获取动态风载作用下二维平面结构不同位置处应变响应S x,y 和实际变形值D x,y ,并提取二维平面结构所有单元的变形值D all 。
4.根据权利要求1所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述的利用主成分分析法对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；具体包括：
将多测点应变数据变换为列向量并按时刻顺序拼接，得到随时间变化的应变矩阵；
根据所述应变矩阵，计算应变矩阵的协方差矩阵；
根据所述协方差矩阵，计算协方差矩阵的特征值和特征向量；
进行特征向量进行标准化处理，得到单位特征向量和单位特征向量矩阵；
取前l个最大的特征值所对应的单位特征向量，得到降维矩阵；
根据所述降维矩阵和所述应变矩阵，进行二者相乘运算，得到降维后的应变数据矩阵。
5.根据权利要求1所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述基于卷积神经网络的变形重构模型中的卷积神经网络包括卷积层、激活层、池化层和全连接层；
所述卷积层和激活层，用于特征提取；所述池化层，用于特征降维；所述全连接层，用于关系拟合；
其中，所述卷积层的感受野大小是根据传感测点数量进行调整；所述卷积层在融合数据的同时考虑不同各测点信号间的相关性信息；所述卷积层的输出结果为：
Figure DEST_PATH_IMAGE001
其中，l 为网络层数，u为卷积滤波器通道总数，
Figure 54104DEST_PATH_IMAGE002
为第 l 层第 q 个卷积滤波器的权重，
Figure 253135DEST_PATH_IMAGE003
为第 q 个输入样本。
6.根据权利要求1所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述基于时间卷积网络的变形预测模型中的时间卷积网络包括空洞卷积模块和残差连接模块；
所述空洞卷积模块，用于获取不同传感器间的时序相关性特征；
所述残差连接模块，用于使得网络可跨层传递信息；所述残差连接模块包括两层卷积映射和维度变换映射。
7.根据权利要求1所述的基于动态决策和神经网络的二维结构变形监测方法，其特征在于，所述的根据获取的应变数据和结构变形值，构建数据集；具体包括：
将风载荷作用下各时刻结构所有单元的变形量D x,y 沿时间通道排列得到全变形实值参考数据集D x,y,t ，全变形实值参考数据集D x,y,t 的矩阵表示为：
Figure 626348DEST_PATH_IMAGE004
将[0,T]时间段内提取的多测点应变响应S xr,yr 和D xr,yr 变形沿时间通道排列，得到用于基于卷积神经网络的变形重构模型训练的应变数据S xr,yr,t 和变形数据D xr,yr,t ，应变数据S xr,yr,t 和变形数据D xr,yr,t 的矩阵表示为：
Figure DEST_PATH_IMAGE005
将[0,T-m]时间段内提取的多测点应变响应S xp,yp 和[m,T]时间段内提取的多测点变形D xp,yp 沿时间通道排列，得到用于基于时间卷积网络的变形预测模型训练的应变数据S xp,yp,t 和应变数据D xp,yp,t ，应变数据S xp,yp,t 和应变数据D xp,yp,t 的矩阵表示为：
Figure 834606DEST_PATH_IMAGE006
。
8.基于动态决策和神经网络的二维结构变形监测装置，其特征在于，该装置包括：
数据采集单元，用于获取二维平面结构不同位置不同时间的应变数据和结构变形值；
数据集构建单元，用于根据获取的应变数据和结构变形值，构建数据集；所述数据集包括变形重构数据集和变形预测数据集；
深度神经网络模型建立与训练单元，用于根据所述数据集，构建深度神经网络模型并进行模型训练；所述深度神经网络模型包括基于卷积神经网络的变形重构模型和基于时间卷积网络的变形预测模型；
变形监测任务动态决策单元，用于对实时采集的应变数据进行动态决策分析，制定任务决策策略，得到动态决策结果；
离散测点变形重构和预测单元，用于根据所述动态决策结果将不同时刻的应变数据分别输入基于卷积神经网络的变形重构模型、基于时间卷积网络的变形预测模型，根据基于卷积神经网络的变形重构模型进行变形重构，得到各监测位置处的变形重构量；根据基于时间卷积网络的变形预测模型进行变形预测，得到各监测位置处的变形预测结果；
平面结构变形场计算单元，用于根据所述变形重构量、变形预测结果，结合传感器坐标位置信息，采用三次样条插值法拟合出整个平面结构的变形场；
所述变形监测任务动态决策单元的执行过程为：
利用主成分分析法对多测点数据进行特征降维计算，得到降维后的应变数据矩阵；
利用K均值聚类法对所述应变数据矩阵进行聚类分析，得到划分后的簇；
计算各簇中的样本所对应的应变数据的模糊熵，并计算各簇间样本应变数据的差分绝对平均变化率；
根据所述差分绝对平均变化率和模糊熵，制定任务决策策略，得到动态决策结果；
所述的根据所述差分绝对平均变化率和模糊熵，制定任务决策策略，得到动态决策结果；具体包括：
进行簇的差分绝对平均变化率大小判断：若该簇的差分绝对平均变化率是所有簇中最小的，继续判断该簇的模糊熵是否为所有簇中最小的，若该簇的模糊熵是所有簇中最小的，则进行变形预测；若该簇的模糊熵不是所有簇中最小的，则进行变形重构；若该簇的差分绝对平均变化率并不是所有簇中最小的，则进行变形重构。
CN202210335488.8A 2022-04-01 2022-04-01 基于动态决策和神经网络的二维结构变形监测方法及装置 Active CN114417681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210335488.8A CN114417681B (zh) 2022-04-01 2022-04-01 基于动态决策和神经网络的二维结构变形监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210335488.8A CN114417681B (zh) 2022-04-01 2022-04-01 基于动态决策和神经网络的二维结构变形监测方法及装置

Publications (2)

Publication Number Publication Date
CN114417681A CN114417681A (zh) 2022-04-29
CN114417681B true CN114417681B (zh) 2022-06-17

Family

ID=81263966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210335488.8A Active CN114417681B (zh) 2022-04-01 2022-04-01 基于动态决策和神经网络的二维结构变形监测方法及装置

Country Status (1)

Country Link
CN (1) CN114417681B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115290832B (zh) * 2022-09-30 2022-12-13 南通润厚设备工程有限公司 用于等离子废气处理设备的废气处理监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
CN109443224A (zh) * 2018-10-30 2019-03-08 哈尔滨工业大学 一种雷达天线阵面变形测量系统及方法
CN109946389B (zh) * 2019-01-31 2020-12-25 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111105097B (zh) * 2019-12-25 2022-07-29 河海大学常州校区 一种基于卷积神经网络的大坝变形预测系统和方法
CN114169383A (zh) * 2021-08-31 2022-03-11 电子科技大学 有限元模型结构的应变-位移重构方法

Also Published As

Publication number Publication date
CN114417681A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN105550744A (zh) 一种基于迭代的神经网络聚类方法
CN113505534B (zh) 一种考虑需求响应的负荷预测方法
JP2019537079A (ja) 大規模再生可能エネルギーのデータについて確率モデルを構築する方法
CN114417681B (zh) 基于动态决策和神经网络的二维结构变形监测方法及装置
CN112926152A (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN113268935A (zh) 一种基于阵列式柔性触觉传感器的解耦分析方法
CN104008304B (zh) 一种乏信息多传感器神经网络‑熵测量不确定度评定方法
CN114169383A (zh) 有限元模型结构的应变-位移重构方法
CN114936504A (zh) 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统
CN113343606B (zh) 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法
CN112257021A (zh) 一种可选的克里金空间插值降雨量估算方法
CN116451584A (zh) 一种基于神经网络的热应力预测方法及系统
CN103559340A (zh) 一种基于comi-pso算法的不相关多源频域载荷识别方法
CN112800599B (zh) 一种阵元失配情况下基于admm的无网格doa估计方法
Liu et al. Soil water content forecasting by ANN and SVM hybrid architecture
CN111380649A (zh) 基于pso优化lssvm的车用多维力传感器解耦方法
CN116067600A (zh) 幕墙工作模态参数识别、故障诊断与健康状态监测方法
CN113688465B (zh) 一种基于载荷与状态结合的飞行器结构强度数字孪生方法
CN114692507A (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN112749807A (zh) 一种基于生成模型的量子态层析方法
CN111210877A (zh) 一种推断物性参数的方法及装置
CN112633358A (zh) 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统
CN113688498B (zh) 一种飞行器结构可信区间响应确定方法
CN113673015B (zh) 梁柱端板连接节点优化设计智能系统构建及参数识别方法
CN115310208A (zh) 一种用于机翼气动载荷重构的传感器优化布置方法及装置

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