CN116502496A - 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 - Google Patents
一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 Download PDFInfo
- Publication number
- CN116502496A CN116502496A CN202310470201.7A CN202310470201A CN116502496A CN 116502496 A CN116502496 A CN 116502496A CN 202310470201 A CN202310470201 A CN 202310470201A CN 116502496 A CN116502496 A CN 116502496A
- Authority
- CN
- China
- Prior art keywords
- damage
- bridge
- neural network
- convolutional neural
- layer
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 96
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 44
- 230000001133 acceleration Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000005284 excitation Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，利用移动车辆荷载通过桥梁激励结构响应，通过有限元模拟提取桥梁在各种损伤工况下的加速度响应信号，输入建立的一维卷积神经网络模型进行训练，调整优化各种相关参数得到最终优化后的一维卷积神经网络模型，再将桥梁实测加速度数据输入模型中来进行损伤诊断。本发明不需要提前提取损伤特征指标，移动荷载可以激起更大的振动，响应具有较高的信噪比。当移动荷载经过损伤位置时结构损伤特征可以被更好的激起。检测实施经济快捷，可实现自动快速的简支梁桥损伤检测。
Description
技术领域
本发明涉及桥梁移动荷载损伤检测与深度学习技术领域，具体涉及一种基于移动荷载与卷积神经网络的简支桥损伤检测方法。
背景技术
桥梁结构在长期运营过程中，交通荷载特别是超重车辆、疲劳效应、环境腐蚀和材料老化等众多不利因素的耦合作用，会逐渐导致桥梁结构性能下降、损伤累积，极端情况下将引发灾难性的突发事故。如何掌控并保持桥梁运营期性能是我国交通系统的重大需求，目前在部分重要的大跨度桥梁上安装了健康监测系统监测桥梁运营状况，但由于造价高昂，很少安装在中小桥上，对于中小桥梁运营维护仍是以人工巡检为主，费时费力，主观误差大。如何对中小跨桥梁实现快速、经济且准确的损伤检测是评价桥梁性能与状态的关键技术，对保障桥梁的安全运营具有十分重要的理论意义和工程实用价值。针对桥梁损伤检测问题，传统方法是基于环境激励技术，采集结构的响应进行分析，主要包括基于模型和基于数据驱动的损伤检测方法。基于模型的方法建立在结构有限元模型的基础上，通过建立结构损伤与响应指标之间的映射关系，来确定其损伤状况。主要包括基于静力响应指标(如位移，应变)、基于动力响应指标(如频率、振型、模态应变能、柔度矩阵等)的方法及有限元模型修正方法。这类方法物理意义强，但有限元模型的精度对检测结果影响较大，实际工程中，干扰因素多，难以建立精确的模型。基于数据驱动的损伤检测方法直接对结构响应数据进行分析，建立响应本身或特征工程提取得到的相应特征与损伤之间的关系，不依赖具体结构模型，如时间序列模型、主成分分析、时频分析的方法。这类方法多是采集桥梁在环境激励下的振动响应，然后对响应信号在时域或时频域进行分析处理，需要大量时间测试提取对结构损伤敏感的特征指标，环境激励下结构的响应信噪比较低，检测效果也易受到噪声干扰。
近年来，人工智能发展迅速，机器学习算法在各领域的应用受到广泛关注，深度学习是机器学习时代的最新成果，它是在输入层与输出层间增加更多隐藏层的神经网络，通过训练学习可以直接从原始数据中提取更复杂的非线性“优化”特征，将特征与期望的输出关联起来。深度学习具有强大的特征学习能力和表达能力，将其引入到结构损伤检测领域，具有潜在的优势和广泛的应用前景。
发明内容
针对现有技术的不足，本发明提出了一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，利用移动车辆荷载通过桥梁激励结构响应，通过有限元模拟提取桥梁在各种损伤工况下的加速度响应信号，输入建立的一维卷积神经网络模型进行训练，调整优化各种相关参数得到最终优化后的一维卷积神经网络模型，再将桥梁实测加速度数据输入模型中来进行损伤诊断。本发明不需要提前提取损伤特征指标，移动荷载可以激起更大的振动，响应具有较高的信噪比。当移动荷载经过损伤位置时结构损伤特征可以被更好的激起。检测实施经济快捷，可实现自动快速的简支梁桥损伤检测。
本发明的技术方案是这样实现的：
一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，包括如下步骤：
步骤1：构建简支梁桥模型损伤样本集；
步骤1.1：根据实际简支梁桥设计参数建立有限元模型，将主梁沿纵向分为N个梁段，每个梁段纵向分为多个梁单元，将每个梁段跨中的单元采用降低其弹性模量的方式来模拟损伤，并设置k种降低弹性模量的程度来模拟损伤等级；
步骤1.2：选定将进行移动荷载测试的两轴检测车，确定其参数如总重m和轴重m1和m2，将检测车辆以速度v匀速行驶通过桥梁，对其进行瞬态分析，得到桥梁结构无损状况下的动力响应。提取每个梁段端节点的加速度响应，共得到N-1组加速度响应信号(两端支座位置节点不需要)，采样频率为fs；
步骤1.3：对第一个梁段跨中的单元降低1个等级(如1％)的弹性模量模拟该部位发生损伤，让检测车辆以速度v匀速行驶通过桥梁，对有限元模型进行瞬态分析，同样采样频率为fs提取N-1组每个梁段端节点的竖向加速度响应作为损伤样本；
步骤1.4：采用步骤1.3的方法对第一个梁段跨中的单元分别降低k个等级的弹性模量模拟该部位发生损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应，得到新的损伤样本数据；
步骤1.5：采用步骤1.3和1.4同样的方法，分别对第二到第N个梁段跨中的单元降低1到k等级的弹性模量模拟不同损伤工况，进行瞬态分析得到不同工况的损伤样本数据；
步骤2：对所有提取的加速度信号数据集添加随机高斯白噪声来模拟实际噪声干扰。噪声水平为15％，这里噪声水平定义为噪声方差与原始信号(加速度响应)方差的比值；
步骤3：将已加噪的加速度数据集按照一定比例划分为训练集、验证集及测试集。将训练集、验证集与测试集按照损伤的位置设置数字标签0-N，其中，0表示桥梁没有发生损伤，1表示简支梁桥第一个梁段发生损伤对应的数字标签，N表示简支梁桥第N个梁段发生损伤对应的数字标签，样本标签总数为N+1；
步骤4：构建一维卷积神经网络模型，包括：e1个卷积层，h1个池化层，q1个Dropout层及r1个全连接层，其中e1、h1、q1、r1均为常数；
步骤4.1：卷积层使用的激活函数为Relu函数，每两层卷积层之间添加最大池化层，用以减少数据冗杂及过拟合现象。其中，卷积层的卷积核大小为p1，卷积核的数目为c1，步长为s1，最大池化层的卷积核大小为p2，步长为s2。添加q1个Dropout层，Dropout层可以让某个神经元的激活值以一定的概率随机隐藏(丢弃)，然后再进行本次训练和优化，使它不会太依赖某些局部的特征，可以减少过拟合的现象，p1、c1、s1、p2、s2均为常数。最后输出结果经由Softmax激活函数进行归一化处理，模型通过比较所有元素的最大值得到可能性最大的类别，由此输出判别结果；
步骤5：卷积神经网络模型的训练；
步骤5.1：将训练集和验证集导入输入层，输入层用于将输入数据送入卷积神经网络进行特征提取；
步骤5.2：第2～7层设置为四层小卷积核卷积与两层池化层，用于捕捉加速度信号样本的局部与全局特征；
步骤5.3：第8～13层设置为四层大卷积核卷积与两层池化层，用于提取加速度信号的短时特征；
步骤5.4：第14层设置Dropout层，使神经元的激活值以一定的概率随机隐藏(丢弃)；
步骤5.5：全连接层通过Relu函数将数据特征转化为特征图并展平形成一维向量；
步骤5.6：第16层对训练数据集进行分类；
步骤6：卷积神经网络最优网络模型参数的优化；
步骤6.1：设定学习率，损失函数采用交叉熵损伤函数，选择Adam优化器训练网络，使训练网络基于样本数据迭代地更新神经网络权重；
步骤6.2：小卷积核大小为2n(n＝1-6)，大卷积核大小为2n(n＝7-9)，卷积步长为1-2，池化层的卷积核数目为1-2，步长为1-2；
步骤6.3：将各训练样本集及验证样本集输入已设置好参数的卷积神经网络中，生成Q个参数的权值矩阵，通过比较训练集和验证集每轮迭代的损失值及准确值，调整卷积神经网络的超参数(网络层数、网络节点数、迭代次数、学习率、优化器等)，经过不断的迭代优化，直到达到收敛，停止迭代，得到训练好的最优神经网络模型；
步骤7：卷积神经网络模型的测试；
将测试样本集输入训练好的最优模型中，Softmax分类器将预测出简支梁桥损伤情况，通过与真实损伤工况进行对比，给出测试结果的准确率；当准确率高于设定的阈值时，证明可以将最优神经网络模型用于步骤8的实桥检测。
步骤8：实桥检测；
将实际在役简支梁桥等分成10段，每个梁段端节点(两端支座节点不需要)放置加速度计N1-N9，将移动测试车通过桥梁，提取整个过程中桥梁的加速度响应信号，将其输入优化好的神经网络模型中，通过模型诊断桥梁的损伤情况；
本发明优点：
1、不需要人工提取对结构损伤敏感的特征指标，模型通过训练学习可以自动提取与结构损伤相关的特征指标。
2、基于移动车辆荷载的测试方法符合桥梁的实际工作状态，移动荷载与桥梁结构实际运营荷载相近，可以比环境激励激起更大的振动，响应具有较高的信噪比。
3、移动荷载通过全桥不同位置，经过损伤位置的特征可以更好的被激起。整套方法实施方便快捷，经济，可实现自动快速的桥梁损伤检测。
附图说明
图1是本发明的卷积神经网络简支梁桥损伤检测流程图。
图2是本发明卷积神经网络的框架图。
图3是本发明的数值模拟简支梁桥示意图。
具体实施方式
下面结合附图进一步说明本发明的具体结构和实施方式，但不应以此限制本发明的保护范围。
本发明实施例的卷积神经网络简支梁桥损伤检测流程如图1所示。本发明实施例中，如图3所示的等截面简支梁桥，桥跨长为30m，移动车辆荷载总重为60000N，行驶速度为5m/s。利用有限元分析软件ANSYS建立有限元模型，将桥梁等距划分为10个单元，在移动车辆荷载的作用下，对有限元模型进行瞬态分析，并提取9个加速度计的加速度动力响应，采样频率为500hz，总时长6s，本发明实施例中关于数值的选取只是为了更好的说明本发明实施的过程，本领域技术人员在实施中也可以取其他数值。本发明实施例提供的一种卷积神经网络的移动荷载结构损伤检测方法，包含以下步骤：
步骤1：构建简支梁桥模型损伤样本集；
步骤1.1：根据实际简支梁桥设计参数建立有限元模型，将主梁沿纵向分为10个梁段，每个梁段纵向分为多个梁单元，将每个梁段跨中的单元采用降低其弹性模量的方式来模拟损伤，并设置50种降低弹性模量的程度来模拟损伤等级；
步骤1.2：选定将进行移动荷载测试的两轴检测车，确定其参数如总重m为60000N、前后轴m1、m2重30000N，将检测车辆以速度5m/s匀速行驶通过桥梁，对其进行瞬态分析，得到桥梁结构无损状况下的动力响应。提取每个梁段端节点的加速度响应，共得到9组加速度响应信号(两端支座位置节点不需要)，采样频率为500hz；
步骤1.3：对第一个梁段跨中的单元降低1个等级(如1％)的弹性模量模拟该部位发生损伤，让检测车辆以速度5m/s匀速行驶通过桥梁，对模型进行瞬态分析，同样采样频率为500hz提取9组每个梁端节点的竖向加速度响应作为损伤样本；
步骤1.4：采用步骤1.3的方法对第一个梁段跨中的单元分别降低50个等级的弹性模量模拟该部位发生损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应，得到新的损伤样本数据；
步骤1.5：采用步骤1.3和1.4同样的方法，分别对第二到第10个梁段跨中的单元降低1到50个等级的弹性模量模拟不同损伤工况，进行瞬态分析得到不同工况的损伤样本数据；
步骤2：对所有提取的加速度信号数据集添加随机高斯白噪声来模拟实际噪声干扰。本发明实施例中取噪声水平15％，本领域技术人员在实施中也可以取其他数值，这里噪声水平定义为噪声方差与原始信号(加速度响应)方差的比值；
步骤3：将已加噪的加速度数据集按照一定比例划分为训练集、验证集及测试集。将训练集、验证集与测试集按照损伤的位置设置数字标签0-10，其中，0表示桥梁没有发生损伤，1表示简支梁桥第一个梁段发生损伤对应的数字标签，10表示简支梁桥第十个梁段发生损伤对应的数字标签，样本标签总数为11；
步骤4：构建一维卷积神经网络，包括：8个卷积层，4个池化层，1个Dropout层及1个全连接层；
步骤4.1：卷积层使用的激活函数为Relu函数，每两层卷积层之间添加最大池化层，用以减少数据冗杂及过拟合现象，其中，第一、二个卷积层由16个长度为8的卷积核构成，第三、四个卷积层为64个长度为4的卷积核，第五、六层为256个长度为4的卷积核，其余两层为512个长度为2的卷积核，添加Dropout层，Dropout层可以让某个神经元的激活值以一定的概率随机隐藏(丢弃)，然后再进行本次训练和优化，使它不会太依赖某些局部的特征，可以明显减少过拟合的现象。最后输出结果经由Softmax分类器进行归一化处理，使得该一维矩阵中的所有元素和为1，而模型通过比较所有元素的最大值得到可能性最大的类别，由此输出判别结果，卷积神经网络的具体参数框架图如图2所示；
步骤5：卷积神经网络的训练；
步骤5.1：将已处理的训练集和验证集数据样本导入输入层，输入层用于将输入数据送入卷积神经网络进行特征提取；
步骤5.2：2-7层设置为四层小卷积核卷积与两层池化层，用于捕捉加速度信号样本的局部与全局特征；
步骤5.3：8-13层设置为四层大卷积核卷积与两层池化层，用于提取加速度信号的短时特征；
步骤5.4：第14层设置Dropout层，使神经元的激活值以一定的概率随机隐藏(丢弃)；
步骤5.5：全连接层通过Relu函数将数据特征转化为特征图并展平形成一维向量；
步骤5.6：16层对训练数据集进行分类；
步骤6：卷积神经网络最优网络模型参数的调试；
步骤6.1：设定学习率，损失函数采用交叉熵损伤函数，选择Adam优化器训练网络，使训练网络基于样本数据迭代地更新神经网络权重；
步骤6.2：小卷积核大小为2n(n＝1-6)，大卷积核大小为2n(n＝7-9)，卷积步长为1-2，池化层的卷积核数目为1-2，步长为1-2；
步骤6.3：将各噪声水平的训练样本集及验证样本集输入已设置好参数的卷积神经网络中，生成10260个参数的权值矩阵，通过观察训练集和验证集每轮迭代的损失值及准确值，调整卷积神经网络的超参数(网络层数、网络节点数、迭代次数、学习率、优化器等)，经过不断的迭代优化，直到达到收敛，停止迭代，得到训练好的最优神经网络模型；
步骤7：卷积神经网络的测试阶段；
将测试样本集输入训练好的最优模型中，Softmax分类器将预测出简支梁桥损伤情况，通过与真实损伤工况进行对比，给出测试结果的准确率；
步骤8：实桥检测；
将待检测简支梁桥等分成10段，每个梁段节点(两端支座节点不需要)放置加速度计N1-N9，将移动测试车通过桥梁，提取整个过程中桥梁的加速度响应信号，将其输入优化好的神经网络模型中，通过模型诊断桥梁的损伤情况。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (9)
1.一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于，包括如下步骤：
步骤1，通过有限元数值模拟桥梁各种损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应来构建损伤样本集；
步骤2，对所有提取的加速度响应添加随机高斯白噪声来模拟实际噪声干扰；
步骤3，将已加噪的加速度数据集按照一定比例划分为训练集、验证集及测试集；
步骤4，构建一维卷积神经网络模型，包括：输入层，e1个卷积层，h1个池化层，q1个Dropout层，r1个全连接层，以及Softmax分类器，其中e1、h1、q1、r1均为常数；
步骤5，将训练集和验证集输入到一维卷积神经网络模型中进行训练和验证；
步骤6，利用损失函数对一维卷积神经网络模型的参数进行优化，输出最优模型；
步骤7，利用最优模型预测测试集中简支梁桥损伤情况，通过与真实损伤工况进行对比，给出测试结果的准确率；
步骤8，将实际在役简支梁桥等分成若干段，每个梁段端节点放置加速度计，两端支座位置节点不放加速度计，将移动测试车通过桥梁，提取整个过程中桥梁的加速度响应信号，将其输入最优模型中，通过最优模型诊断桥梁的损伤情况。
2.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤1的具体实现方式如下；
步骤1.1，根据实际简支梁桥设计参数建立有限元模型，将主梁沿纵向分为多个梁段，每个梁段纵向分为N个梁单元，将每个梁段跨中的单元采用降低其弹性模量的方式来模拟损伤，并设置k种降低弹性模量的程度来模拟损伤等级；
步骤1.2，选定将进行移动荷载测试的两轴检测车，将检测车辆匀速行驶通过桥梁，对其进行瞬态分析，得到桥梁结构无损状况下的动力响应，提取每个梁段端节点的竖向加速度响应信号，其中，两端支座位置节点不放加速度计，采样频率为fs；
步骤1.3，对第一个梁段跨中的单元降低1个等级的弹性模量模拟该部位发生损伤，让检测车辆匀速行驶通过桥梁，对有限元模型进行瞬态分析，同样提取每个梁端节点的加速度响应作为损伤样本；
步骤1.4，采用步骤1.3的方法对第一个梁段跨中的单元分别降低k个等级的弹性模量模拟发生损伤，并进行瞬态分析提取每种损伤对应的结构加速度响应，得到新的损伤样本数据；
步骤1.5，采用步骤1.3和步骤1.4同样的方法，分别对第二到第N个梁段跨中的单元降低1到k等级的弹性模量模拟不同损伤工况，进行瞬态分析得到不同工况的损伤样本数据。
3.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤2中噪声水平为15％，所述噪声水平定义为噪声方差与原始加速度响应信号方差的比值。
4.如权利要求2所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤3中，将训练集、验证集及测试集按照损伤的位置设置数字标签0-N，其中，0表示桥梁没有发生损伤，1表示简支梁桥第一个梁段发生损伤对应的数字标签，N表示简支梁桥第N个梁段发生损伤对应的数字标签，样本标签总数为N+1。
5.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤4中，卷积层使用的激活函数为Relu函数，每两层卷积层之间添加最大池化层，用以减少数据冗杂及过拟合现象；其中，卷积层的卷积核大小为p1，卷积核的数目为c1，步长为s1，最大池化层的卷积核大小为p2，步长为s2，p1、c1、s1、p2、s2均为常数。
6.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤5的具体实现如下；
步骤5.1，将训练集和验证集导入输入层，输入层用于将输入数据送入一维卷积神经网络进行特征提取；
步骤5.2，第2～7层设置为四层小卷积核卷积与两层池化层，用于捕捉加速度信号样本的局部与全局特征；
步骤5.3，第8～13层设置为四层大卷积核卷积与两层池化层，用于提取加速度信号的短时特征；
步骤5.4，第14层设置Dropout层，使神经元的激活值以一定的概率随机隐藏；
步骤5.5，第15层为全连接层，通过Relu函数将数据特征转化为特征图并展平形成一维向量；
步骤5.6，第16层为Softmax分类器，用于对训练集和验证集进行分类。
7.如权利要求1所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：步骤6的具体实现方式如下；
步骤6.1，设定学习率，损失函数采用交叉熵损伤函数，选择Adam优化器训练网络；
步骤6.2：小卷积核大小为2n，大卷积核大小为2N，卷积步长为1-2，池化层的卷积核数目为1-2，步长为1-2；其中n和N均为常数，N大于n；
步骤6.3，将训练集及验证集输入已设置好参数的一维卷积神经网络中，生成Q个参数的权值矩阵，通过比较训练集和验证集每轮迭代的损失值及准确值，调整卷积神经网络的超参数，经过不断的迭代优化，直到达到收敛，停止迭代，得到训练好的最优神经网络模型。
8.如权利要求7所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：所述超参数包括网络层数、网络节点数、迭代次数、学习率、优化器。
9.如权利要求7所述的一种基于移动荷载与卷积神经网络的简支桥损伤检测方法，其特征在于：n的取值为1-6，N的取值为7-9。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310470201.7A CN116502496A (zh) | 2023-04-27 | 2023-04-27 | 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310470201.7A CN116502496A (zh) | 2023-04-27 | 2023-04-27 | 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502496A true CN116502496A (zh) | 2023-07-28 |
Family
ID=87317825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310470201.7A Pending CN116502496A (zh) | 2023-04-27 | 2023-04-27 | 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502496A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574110A (zh) * | 2023-11-22 | 2024-02-20 | 四川农业大学 | 全域桥梁损伤快速识别方法、装置及介质 |
-
2023
- 2023-04-27 CN CN202310470201.7A patent/CN116502496A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574110A (zh) * | 2023-11-22 | 2024-02-20 | 四川农业大学 | 全域桥梁损伤快速识别方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| CN116502496A (zh) | 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 | |
| CN114357594A (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 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN113642068A (zh) | 一种基于决策树和循环神经网络的桥梁涡激振动幅值预测方法 | |
| CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN115982896A (zh) | 一种轴承保持架的寿命检测方法及装置 | |
| Martinez-Ríos et al. | Generalized Morse Wavelets parameter selection and transfer learning for pavement transverse cracking detection | |
| CN113933054A (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
| 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 | |
| Luo et al. | Regularization strategies for contiguous and noncontiguous damage detection of structures | |
| CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
| CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| Zhang et al. | Structural damage detection using convolutional neural networks based on modal strain energy and population of structures | |
| KR20210074923A (ko) | 딥러닝 기반 교량 신축 이음 부위의 손상 탐지 방법 및 이를 수행하는 프로그램을 기록한 기록매체 | |
| CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
| 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 | |
| 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 |