[發明專利]一種基于時空圖卷積注意力的橋梁損傷識別方法

在審

• 申請號: 202110333722.9
• 申請日: 2021-03-29
• 公開（公告）號: CN113011763A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 董守斌;林立明;周立成;湯立群;蔣震宇
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于時空圖卷積注意力的橋梁損傷識別方法，其特征在于，包括以下步驟：

1)獲取橋梁健康監測系統的應變數據，并進行異常值和零-均值標準化預處理；

2)預處理后的應變數據通過滑窗的方法構建樣本，并劃分訓練集和測試集；

3)構建時空圖卷積注意力網絡，并使用構建好的訓練集進行訓練；

4)將測試集輸入到已訓練好的時空圖卷積注意力網絡中，輸出橋梁損傷識別的結果。

2.根據權利要求1所述的一種基于時空圖卷積注意力的橋梁損傷識別方法，其特征在于：在步驟1)中，所獲取的橋梁健康監測系統的應變數據預處理的過程如下：

1.1)使用3sigma原理對每種工況的數據進行異常值的處理，即某時刻應變數據與平均值的差的絕對值超過3倍的標準差，則認為該時刻的數據異常，并用平均值來代替；

1.2)對異常值進行處理后的應變數據進行零-均值標準化處理，經過處理后的應變數據均值為0，標準差為1，公式如下：

式中，x表示為原始應變數據，表示為原始應變數據的均值，σ為原始應變數據的標準差，x^*表示經過零-均值標準化處理后的應變數據。

3.根據權利要求1所述的一種基于時空圖卷積注意力的橋梁損傷識別方法，其特征在于：在步驟2)中，預處理后的應變數據通過滑窗的方法構建樣本，并劃分訓練集和測試集的過程如下：

2.1)確定滑動窗口大小為T；

2.2)將每種損傷情況對應的應變數據截取成大小為T的多個樣本，樣本X_i表示如下：

其中，n代表應變傳感器個數，上標i代表應變傳感器編號，下標t表示應變數據所記錄的時刻；

2.3)確定樣本標簽，將橋梁劃分成m個單元，則標簽為(1，m)的向量，當該時刻的單元沒有損傷的時候，將向量對應的位置置為0，否則為其損傷程度大小；從構建的所有樣本中隨機選取80％的樣本作為訓練集，20％的樣本作為測試集。

4.根據權利要求1所述的一種基于時空圖卷積注意力的橋梁損傷識別方法，其特征在于：在步驟3)中，所構建的時空圖卷積注意力網絡由一層圖卷積層GCN、一層長短期記憶神經網絡層LSTM、注意力機制層Attention和輸出層F(·)所構成；所構建的時空圖卷積注意力網絡訓練過程如下：

3.1)將樣本構建成圖結構的數據，n個應變傳感器視為圖的結點，根據傳感器的位置關系構建其鄰接矩陣A和特征矩陣X，其中A∈R^n*n，X∈R^n*T，R為實數，T為時間窗口大小，由鄰接矩陣能夠得到其度矩陣D；

3.2)對鄰接矩陣A進行歸一化處理，為了進行結點聚合的時候不僅考慮周圍結點的特征，同時考慮自身的特征，給每個結點增加一個自循環連接，由此得到新的鄰接矩陣和度矩陣其中I為大小一致的單位矩陣，接著計算得到歸一化后的鄰接矩陣

3.3)將歸一化后的鄰接矩陣和特征矩陣X輸入到圖卷積層GCN提取空間特征，得到圖卷積層GCN的輸出gcn_output，公式如下：

式中，θ_gcn表示圖卷積層GCN能夠訓練的權重矩陣；

3.4)圖卷積層GCN后面接著長短期記憶神經網絡層LSTM來提取時間特征，得到長短期記憶神經網絡層LSTM的輸出lstm_output，公式如下：

lstm_output＝LSTM(gcn_output,θ_lstm)

式中，θ_lstm表示長短期記憶神經網絡層LSTM能夠訓練的權重矩陣；

3.5)得到的lstm_output在注意力機制層Attention中訓練得到lstm_output的重要性得分s，公式如下:

s＝softmax(lstm_output,θ_Attention)

式中，θ_Attention表示注意力機制層Attention能夠訓練的權重矩陣；

3.6)得到重要性得分s同lstm_output相乘后輸入到輸出層F(·)得到預測的損傷Y，公式如下：

Y＝F(lstm_output*s,θ)

式中，θ表示輸出層F(·)能夠訓練的權重矩陣；

3.7)使用均方誤差MSE作為損失函數，將步驟3.6)得到的預測損傷Y和訓練集中真實的標簽計算損失，通過Adam優化算法更新時空圖卷積注意力網絡中的參數。