[發(fā)明專利]一種基于稀疏貝葉斯學(xué)習(xí)的橋梁結(jié)構(gòu)損傷識(shí)別方法在審
| 申請(qǐng)?zhí)枺?/td> | 202011442045.6 | 申請(qǐng)日: | 2020-12-08 |
| 公開(公告)號(hào): | CN112528564A | 公開(公告)日: | 2021-03-19 |
| 發(fā)明(設(shè)計(jì))人: | 王其昂;戴陽;張誠;王長保;王浩博 | 申請(qǐng)(專利權(quán))人: | 中國礦業(yè)大學(xué) |
| 主分類號(hào): | G06F30/27 | 分類號(hào): | G06F30/27;G06K9/62;G06N5/04;G06N7/00 |
| 代理公司: | 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249 | 代理人: | 秦秋星 |
| 地址: | 221008 江蘇省*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 稀疏 貝葉斯 學(xué)習(xí) 橋梁 結(jié)構(gòu) 損傷 識(shí)別 方法 | ||
1.一種基于稀疏貝葉斯學(xué)習(xí)的橋梁結(jié)構(gòu)損傷識(shí)別方法,其特征在于,具體包括以下步驟:
S1、根據(jù)橋梁結(jié)構(gòu)在健康狀態(tài)下的結(jié)構(gòu)動(dòng)力響應(yīng)數(shù)據(jù),繪制相應(yīng)的時(shí)域圖;對(duì)時(shí)域圖進(jìn)行時(shí)域分析,利用NExT法得到互相關(guān)函數(shù);
S2、根據(jù)S1的互相關(guān)函數(shù),對(duì)其經(jīng)傅里葉變換后得到互功率譜密度,并依據(jù)互功率譜密度進(jìn)行頻域分析得到橋梁結(jié)構(gòu)的模態(tài)參數(shù)——頻率,之后確定敏感頻帶;
S3、根據(jù)S2的敏感頻帶數(shù)據(jù),得到損傷指標(biāo)——結(jié)構(gòu)健康狀態(tài)因子;
S4、根據(jù)S3的結(jié)構(gòu)健康因子的實(shí)部和虛部數(shù)據(jù),引入稀疏貝葉斯學(xué)習(xí)算法,建立以虛部數(shù)據(jù)為自變量、實(shí)部數(shù)據(jù)為因變量的結(jié)構(gòu)健康狀態(tài)因子的回歸參考模型;
S5、當(dāng)有新的監(jiān)測數(shù)據(jù)時(shí),重復(fù)步驟S1至步驟S3,得到新的損傷指標(biāo),并將此損傷指標(biāo)帶入S4中的回歸參考模型,此時(shí)可依據(jù)新的損傷指標(biāo)的實(shí)部數(shù)據(jù)是否擬合回歸參考模型進(jìn)行損傷的定性識(shí)別;
S6、計(jì)算S5中新的損傷指標(biāo)的實(shí)部數(shù)據(jù)與回歸參考模型的實(shí)部數(shù)據(jù)的殘差,將殘差視為隨機(jī)變量,并對(duì)殘差均值進(jìn)行貝葉斯假設(shè)檢驗(yàn),最后根據(jù)貝葉斯因子進(jìn)行損傷的定量識(shí)別。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S1中對(duì)時(shí)域圖進(jìn)行時(shí)域分析,采用NExT方法得到互相關(guān)函數(shù),具體步驟包括:利用橋梁結(jié)構(gòu)在平穩(wěn)隨機(jī)振動(dòng)信號(hào)的激勵(lì)下的響應(yīng),求出結(jié)構(gòu)兩點(diǎn)之間的互相關(guān)函數(shù)。
3.根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S3中結(jié)構(gòu)健康狀態(tài)因子的計(jì)算公式如式(1):
h=Qh(Qh*Qh)-1Qh*s (1)
s=Qhp (2)
式中,h為結(jié)構(gòu)健康狀態(tài)因子;Qh為敏感頻帶數(shù)據(jù),為N×L矩陣,其中N為敏感頻帶的點(diǎn)數(shù),L為加速度傳感器數(shù)量;s為目標(biāo)向量,為N×1向量,p為L×1的轉(zhuǎn)換向量。
4.根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S4中的稀疏貝葉斯學(xué)習(xí)算法,其在學(xué)習(xí)過程中通過最大化證據(jù)函數(shù),自動(dòng)嵌入奧卡姆剃刀原理,以刪除基函數(shù)的方式促進(jìn)模型的稀疏性,最終所得模型參數(shù)為一后驗(yàn)概率密度函數(shù),以此來表示所有形式的不確定性。
5.根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S6中用于損傷定量識(shí)別的貝葉斯因子,如式(3):
B=P(D|H1)/P(D|H0) (3)
式中,B為貝葉斯因子;D為殘差;H0為結(jié)構(gòu)健康狀態(tài)下的工況;H1為結(jié)構(gòu)損傷未知狀態(tài)下的工況。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國礦業(yè)大學(xué),未經(jīng)中國礦業(yè)大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202011442045.6/1.html,轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 一種自主融合先驗(yàn)知識(shí)的貝葉斯網(wǎng)絡(luò)方法
- 構(gòu)建解決組合爆炸問題的級(jí)聯(lián)貝葉斯網(wǎng)絡(luò)的方法
- 一種可重構(gòu)系統(tǒng)貝葉斯網(wǎng)構(gòu)建方法
- 一種基于貝葉斯網(wǎng)絡(luò)的網(wǎng)站缺陷預(yù)測方法及其實(shí)現(xiàn)系統(tǒng)
- 應(yīng)用處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備
- 一種遮擋目標(biāo)檢測方法、電子設(shè)備、存儲(chǔ)介質(zhì)及系統(tǒng)
- 基于貝葉斯網(wǎng)絡(luò)推理模型的犯罪重建方法及裝置
- 利用憶阻器本征噪聲實(shí)現(xiàn)貝葉斯神經(jīng)網(wǎng)絡(luò)的方法及裝置
- 基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的中央空調(diào)系統(tǒng)故障診斷方法
- 一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)權(quán)重約束的圖像分類方法
- 根據(jù)用戶學(xué)習(xí)效果動(dòng)態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個(gè)人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動(dòng)學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)
- 游戲?qū)W習(xí)效果評(píng)測方法及系統(tǒng)





