[發(fā)明專利]一種基于多參數(shù)和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別方法

有效

• 申請?zhí)枺?/td>: 201910585736.2
• 申請日: 2019-07-01
• 公開（公告）號: CN110472272B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 陳貢發(fā);騰帥
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

1.一種基于多參數(shù)和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別方法，其特征在于，包括以下步驟：

S1：輸入基礎(chǔ)鋼架結(jié)構(gòu)圖片，對所述基礎(chǔ)鋼架結(jié)構(gòu)圖片進(jìn)行數(shù)據(jù)采集并組合為多參數(shù)數(shù)據(jù)，以矩陣數(shù)據(jù)形式將多參數(shù)數(shù)據(jù)轉(zhuǎn)換為基礎(chǔ)鋼架結(jié)構(gòu)數(shù)據(jù)矩陣；其中，對基礎(chǔ)鋼架結(jié)構(gòu)圖片進(jìn)行采集的數(shù)據(jù)包括結(jié)構(gòu)中每一根桿的位移及結(jié)構(gòu)的前n階固有頻率，其中n為正整數(shù)；

S2：將所述基礎(chǔ)鋼架結(jié)構(gòu)數(shù)據(jù)矩陣通過進(jìn)行不同位置桿的損傷模擬，得到對應(yīng)的損傷位置向量，組成訓(xùn)練集和測試集；

S3：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將所述訓(xùn)練集輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，保存完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)；

S4：將所述測試集輸入卷積神經(jīng)網(wǎng)絡(luò)，若輸出的識別結(jié)果對應(yīng)的誤差值收斂，則卷積神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練并執(zhí)行S5步驟，否則跳轉(zhuǎn)執(zhí)行S3步驟；

S5：對待結(jié)構(gòu)損傷識別的圖片進(jìn)行數(shù)據(jù)采集并組合為多參數(shù)數(shù)據(jù)后輸入完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，其輸出的結(jié)果即為結(jié)構(gòu)損傷識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述S1步驟中的基礎(chǔ)鋼架結(jié)構(gòu)數(shù)據(jù)矩陣的大小為n×(n+1)。

3.根據(jù)權(quán)利要求2所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述S2步驟中，采用有限元法對不同位置桿的不同程度的損傷進(jìn)行模擬。

4.根據(jù)權(quán)利要求3所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述損傷位置向量為n²維向量。

5.根據(jù)權(quán)利要求3所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述訓(xùn)練集與測試集的數(shù)據(jù)占比為9：1。

6.根據(jù)權(quán)利要求1所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層、回歸層。

7.根據(jù)權(quán)利要求6所述的結(jié)構(gòu)損傷識別方法，其特征在于：所述S3步驟中，其具體步驟如下：

將訓(xùn)練集逐一輸入卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過若干次卷積和池化處理后，將最后一次卷積操作得到的特征矩陣展開并作為全連接層的輸入，然后將全連接層的輸出作為回歸層的輸入，回歸層輸出代表損傷位置的向量；將所述代表損傷位置的向量與所輸入的訓(xùn)練集中實(shí)際損傷位置進(jìn)行對比并計算誤差，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)中各層的權(quán)重系數(shù)并重復(fù)S3步驟至所述誤差最小化，保存完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)。