[發明專利]基于優化堆疊自編碼器和多信號融合的結構損傷診斷方法

在審

• 申請號: 202111387865.4
• 申請日: 2021-11-22
• 公開（公告）號: CN114118249A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 李劍濤;余陽
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 湯明

本發明公開了一種基于優化堆疊自編碼器和多信號融合的結構損傷診斷方法。包括以下步驟：S1，布設結構監測系統，測量結構在不同健康狀態下的振動加速度響應；S2，進行數據預處理，獲得頻域響應的主成分數據集；S3，針對S2中每個傳感器的數據集，構建由增強型鯨魚優化算法進行網絡模型參數優化的堆疊自編碼器EWOA?DSAE模型，用以進行特征分析。計算各傳感器信號對應EWOA?DSAE模型的準確預測概率值，進行初步損傷診斷；S4，將S3中獲得的不同傳感器對應的預測概率運用于D?S融合算法中，形成對結構損傷診斷分析的最終決策。本發明提出的方法能夠有效的優化DSAE模型，融合多傳感器的診斷信息，顯著提高結構損傷診斷的精度。

技術領域

本發明涉及結構健康監測中的損傷診斷技術領域，具體涉及一種基于優化堆疊自編碼器深度學習模型和多傳感器測量信號融合的結構損傷診斷方法。

背景技術

針對建筑、橋梁等土木工程結構的健康監測，是保障相應基礎設施安全運營與科學維護的重要手段。基于結構振動響應的健康監測方法因其便利性及可行性，受到國內外學者的廣泛研究且獲得了一定的工程應用。因結構損傷引起的例如剛度降低等物理特性變化，會導致結構振動特性的改變。因此，針對不同結構狀態下測量的結構振動響應進行數據挖掘分析，能夠實現結構健康評估及損傷診斷。結構健康監測的方法主要包括基于物理模型和基于數據驅動的兩大類。其中，基于物理模型的方法需要建立準確的結構仿真模型，在實現中往往不易實現。基于數據驅動的方法，利用測量的結構時域、頻域響應等，結合有效的數據處理方法，構建振動響應特性和結構健康狀態的映射，進而實現損傷診斷的目的。隨著計算機科學的發展，基于海量振動監測數據和機器學習方法的結構健康監測研究受到極大的關注。

深度學習作為機器學習的一個重要子域，近些年來在結構健康監測等領域取得了顯著的成效。在結構損傷診斷領域應用的深度學習方法主要包括了，遞歸神經網絡(RNN)、生成式對抗網絡(GAN)，區域卷積神經網絡(R-CNN)和堆疊自編碼器(SAE)等。其中，SAE是結構振動信號處理提取損傷特征最常用的方法之一。

雖然以上一階深度學習算法在結構損傷診斷方面表現出良好的性能，但是它們的識別精度受到許多因素的影響。其中深度學習算法涉及的模型超參數設置是主要影響因素。根據不同超參數建立的深度學習模型會導致識別結果有很大的差別。因此，如何配置算法參數的最佳值，是深度學習方法在結構損傷診斷應用中的一大難點。鯨魚優化法(WOA)是Mirjalili和Lewis提出的一種新穎的啟發式優化算法，它基于對座頭鯨捕獵行為的數學模擬，每條座頭鯨的位置代表了一個可行的解決方案。WOA的數學模型主要包括三種行為：包圍獵物、氣泡網利用和獵物搜索。盡管WOA因其易于實現的優點而被廣泛應用于解決各種工程問題，但在處理復雜的優化問題時，它存在收斂速度慢和計算精度低的問題。

另外，為了實現對結構狀態的準確和綜合評估，需要收集和分析來自不同位置的多個傳感器的振動信號。但是，受傳感器自身故障或部署位置等環境不確定性的影響，不同傳感器的診斷結果可能會有所不同，有時甚至會相互矛盾，為結構健康狀態的準確評估增加了挑戰。

發明內容

為了避免上述深度學習模型超參數設置以及各傳感器測量信號分析結果差異性帶來的損傷診斷結果不準確的問題，本發明提出一種基于優化堆疊自編碼器和多信號融合的結構損傷診斷方法，從而提高結構損傷診斷的精度。

本發明為一種基于優化堆疊自編碼器和多信號融合的結構損傷診斷方法，其特征在于具體步驟如下：

S1：對被測結構不同健康狀態下的振動信號進行測量采集。通過在結構多個監測點布設加速度計，測量結構在特定的位置和方向上的振動加速度數據，獲取Ncc種不同結構健康狀態下對應的n個傳感器測量通道的數據，每種狀態下的測量次數為M。

S2：對獲取的監測響應數據進行預處理,主要為利用傅里葉變換獲得頻域響應，并采用主成分分析對頻域響應數據進行去噪和降維。通過丟棄貢獻小的主成分，消除了原始數據集中的冗余信息，獲得頻域響應的主成分數據集。