[發明專利]基于平行卷積神經網絡的結構損傷識別方法和裝置

在審

• 申請號: 202111422491.5
• 申請日: 2021-11-26
• 公開（公告）號: CN114357855A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 葉錫鈞;曹永杰;何沛衡;潘楚東;鄧軍;汪大洋;劉愛榮;陳炳聰;周軍勇
• 申請（專利權）人: 廣州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/02
• 代理公司: 北京高航知識產權代理有限公司 11530
• 代理人: 劉艷玲

1.基于平行卷積神經網絡的結構損傷識別方法，其特征在于，包括：

S11數據采樣：采集由加速度傳感器記錄的加速度數據，其中所述加速度傳感器設置在目標結構的設定位置上，所述加速度數據包括對目標結構施加激勵后由加速度傳感器記錄的振動響應；

S12數據預處理：對每個加速度傳感器記錄的加速度數據進行預處理，得到加速度數據序列及其時頻圖；

S13損傷識別：將各個加速度傳感器對應的輸入數據集輸入到訓練好的基于平行卷積神經網絡的損傷識別模型中，由損傷識別模型對輸入數據集進行特征提取和損傷類別預測，得到符合各損傷工況數據特征的概率；并根據符合各損傷工況數據特征的概率得到相應的結構損傷識別結果；其中輸入數據集包括加速度時間序列及其時頻圖。

2.根據權利要求1所述的基于平行卷積神經網絡的結構損傷識別方法，其特征在于，步驟S11中具體包括：

對目標結構施加激勵，其中目標結構包括框架結構；

接收由設置在目標結構上的加速度傳感器組記錄的振動響應：

其中K_p表示第p個加速度傳感器記錄的加速度數據，其中p∈[1,P]，P表示加速度傳感器的總數。

3.根據權利要求2所述的基于平行卷積神經網絡的結構損傷識別方法，其特征在于，步驟S12具體包括：

對每個加速度傳感器記錄的加速度數據進行隨機截取，截取固定長度的數據段作為數據樣本，得到N段數據組成數據樣本：

其中K_p,n表示第p個加速度傳感器記錄的加速度數據中隨機截取的第n段數據，其中n∈[1,N]；其中設定每段數據的長度為L；

對數據樣本進行零-均值標準化和連續小波變換，獲取標準化后的時間序列及其小波時頻圖。

4.根據權利要求3所述的基于平行卷積神經網絡的結構損傷識別方法，其特征在于，步驟S13中，所述訓練好的基于平行卷積神經網絡的損傷識別模型包括由多個平行卷積神經網絡組合而成的網絡群；其中每個平行卷積神經網絡對應一個在目標結構的設定位置上設置的加速度傳感器。

5.根據權利要求4所述的基于平行卷積神經網絡的結構損傷識別方法，其特征在于，步驟S13包括：

將各個加速度傳感器對應的輸入數據集分別輸入到對應的平行卷積神經網絡中，由各平行卷積神經網絡分別提取輸入數據集特征并進行損傷類型預測，其中平行卷積神經網絡的輸出結果為對應的加速度傳感器的N段數據樣本中，符合不同損傷工況特征的數據段的數量；

針對每個平行卷積神經網絡，計算符合各損傷工況特征的概率：

其中，POD_j表示平行卷積神經網絡判定輸入數據集為損傷工況j的概率，表示輸入數據集的數據特征和損傷工況j數據特征的相似程度，其中j∈[1,m]，m表示設定的損傷工況總數，n_j表示平行卷積神經網絡的輸出結果，為符合損傷工況j數據特征的數據段的數量；基于得到的各損傷工況特征的概率計算加權損傷度：

其中D_twai為加權損傷度，表示第i個平行卷積神經網絡對目標結構整體的損傷評估，w_j表示設定的針對損傷工況j的損傷程度，其中w_j∈[0,1]；

將與各個平行卷積神經網絡對應的加權損傷度進行加權平均處理，得到目標結構的整體結構健康評估信息：

其中D表示目標結構的損傷程度；D_twai表示第i個平行卷積神經網絡對目標結構整體的加權損傷度，p表示平行卷積神經網絡的總數，c_i表示第i個平行卷積神經網絡對應的折減系數，其表示i號加速度傳感器的數據對目標結構這個損傷的反映能力，其中c_i∈[0,1]；

輸出目標結構的損傷程度D對應的結構損傷識別結果。