[發明專利]基于總體經驗模態分解與卷積神經網絡的結構損傷識別法

有效

• 申請號: 201910099951.1
• 申請日: 2019-01-31
• 公開（公告）號: CN109946389B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 刁延松;王玉梅;劉秀麗;劉蕓
• 申請（專利權）人: 青島理工大學
• 主分類號: G01N29/46
• 分類號: G01N29/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 李祺;張玲

本發明提出一種基于總體經驗模態分解與卷積神經網絡的結構損傷識別法，屬于結構健康監測技術領域，該方法選取結構的加速度響應信號作為分析對象，并采用總體經驗模態分解技術對加速度響應信號進行分解得到一系列固有模態函數IMF，選擇含有結構自振頻率的固有模態函數IMF進行重構，再采用一維卷積神經網絡對重構信號進行特征提取和損傷分類，從而獲得結構損傷位置的識別結果。該方法既減少了噪聲對結構損傷位置識別結果的影響，提高了識別準確率，又提高了識別效率，在實時結構健康監測中具有顯著的優勢。

技術領域

本發明屬于結構健康監測技術領域，尤其涉及一種基于總體經驗模態分解與卷積神經網絡的結構損傷識別法。

背景技術

由于大型工程結構與人們的生活息息相關，其結構中存在的潛在破壞和損傷，都可能會對人們的生產和生活造成重大損失，因而，大型工程結構的結構健康監測具有重要意義。近二十多年來，國內外學者提出了大量的結構損傷識別方法，這些方法大致可分為基于模型的方法和數據驅動的方法，其中，數據驅動的方法直接利用傳感器實測的響應數據進行結構損傷識別，不需要結構的有限元模型，受到了國內外眾多學者的青睞，得到了快速發展。

在數據驅動的方法中，機器學習技術引起了越來越多的關注，方法包括貝葉斯網絡、模糊邏輯、支持向量機(Support vector machine，SVM)和人工神經網絡(Artificialneural network，ANN)等。其中，ANN已經在結構損傷識別領域中應用了多年，損傷特征通常被用作它們的輸入，作為一種自適應的模式識別技術，其并不需要預先給出判別函數，通過自身的學習機制能自動形成所要求的決策區域，并能夠充分利用樣本信息。但是，ANN需要人工提取特征參數，容易導致特征的代表性差、準確率低、計算費時、無法進行實時監測等問題。由于卷積神經網絡(Convolution neural network,CNN)無需人工提取特征，已有相關文獻報道將其用于結構損傷識別中，其可以直接利用加速度響應數據作為輸入向量，將特征提取和損傷分類作為一個整體對結構進行實時損傷識別和定位。然而，目前的識別方法通常是直接利用原始振動響應信號作為網絡輸入向量，由于向量維數較大，計算效率較低，而且，實測振動響應信號中往往含有噪聲及與結構損傷無關的信息，損傷識別的準確率并不高。

進一步的，目前現有的結構損傷識別方法通?；谙柌攸S變換(Hilbert-Huang Transform，HHT)，HHT是一種新的具有自適應能力的時頻分析方法，由經驗模態分解和Hilbert變換兩部分組成，不需要特定函數形式對數據進行分解，克服了傳統時頻分析方法中用無意義的諧波分量來表示非平穩、非線性信號的缺陷。但作為HHT核心部分的經驗模態分解依然會存在模態混疊和端點效應等問題，其中模態混疊現象尤為突出。

因而，如何提高結構損傷識別的效率和準確率，是當前急需解決的一個技術問題。

發明內容

本發明針對上述的技術問題，提出一種基于總體經驗模態分解與卷積神經網絡的結構損傷識別法，其選取結構的加速度響應信號作為分析對象，并采用總體經驗模態分解技術對加速度響應信號進行分解和重構，同時采用一維卷積神經網絡(One-dimensionalconvolution neural network,1D CNN)對重構信號進行特征提取和損傷分類，從而獲得結構損傷位置的識別結果，既減少了噪聲對結構損傷位置識別結果的影響，提高了識別準確率，又提高了識別效率。

為了達到上述目的，本發明采用的技術方案為：

基于總體經驗模態分解與卷積神經網絡的結構損傷識別法，包括以下步驟：

步驟1：測得結構加速度響應信號x(t)；

步驟2：利用總體經驗模態分解技術對加速度響應x(t)進行分解，得到一系列固有模態函數IMF；

步驟3：對步驟2得到的固有模態函數IMF進行傅里葉變換得到其頻譜特性，選擇含有結構自振頻率的固有模態函數IMF進行重構，得到重構信號z(t)；