[發明專利]基于深度極限學習機的結構損傷識別方法及系統

在審

• 申請號: 202210094937.4
• 申請日: 2022-01-26
• 公開（公告）號: CN114462127A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 梁辰;張淏;解冰;馬嵐;劉朝澤;李竹涵
• 申請（專利權）人: 梁辰
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06K9/00;G06K9/62;G06N3/00;G06N3/08
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 文驪鹍

本發明公開了一種基于深度極限學習機的結構損傷識別方法及系統，該方法結合先進的信號處理技術、深度極限學習機和粒子群優化算法，建立了一個能夠實現自適應超參數尋優、抗噪性能強和損傷識別魯棒性強的結構損傷識別方法。采用先進的信號處理技術希爾伯特黃變換來減少測量造噪聲對振動信號的影響，提高了損傷識別算法的抗噪性。采用粒子群優化算法對基于深度極限學習機的超參數進行優化，提升了結構損傷識別的精度。最后，使用十折交叉實驗驗證來測試損傷識別算法的性能，保證了損傷識別算法的魯棒性。同時，通過不斷將在線監測的結構損傷數據用于更新結構損傷識別數據集，實現了損傷識別精度的不斷提升。

技術領域

本發明屬于結構損傷識別領域，具體為一種基于深度極限學習機的結構損傷識別方法及系統。

背景技術

大型建筑結構是城市的載體，建筑結構的健康服役是人民正常生活的基礎。而隨著結構在使用過程中材料的老化、荷載的變化和自然災害的不斷影響，建筑結構會發生不同程度的損傷，而隨著損傷程度的加深，建筑結構的安全性能就無法得到保證。因此，對于服役中的建筑結構和建筑結構的關鍵部件進行健康監測和損傷識別具有非常重要的意義。結構健康監測與損傷識別，具體而言，是指通過在結構上布置傳感器，采集結構的損傷數據，將采集到的損傷數據經過數據處理和分析，得到結構的損傷程度和實現損傷的定位。

基于振動信號的結構損傷識別在20世紀90年代開始在航空航天領域發展，并在同時期迅速的應用建筑結構損傷識別領域。基于振動信號的損傷識別的技術背景是通過分析結構的動態響應來捕捉結構的動力學參數(質量、剛度、阻尼)，進而實現結構的損傷識別。該方法具有信號容易采集，理論背景清晰，具有較強的實用價值。但通常在結構損傷測量中，存在環境噪聲大的問題，導致有時候結構損傷識別效果欠佳。

淺層機器學習模型也曾經在基于振動信號的損傷識別方法中大量的使用，但由于淺層學習模型不能夠建立損傷數據與損傷程度之間的精確映射關系，很多時候的損傷識別精度較差，有時候甚至不如基于損傷指標的損傷識別方法的識別精度。

發明內容

針對現有技術中存在的問題，本發明提供一種基于深度極限學習機的結構損傷識別方法及系統，可以實現結構損傷識別信號的降噪，能夠自適應對深度極限學習機模型進行超參數尋優，最終實現結構損傷的快速高精度識別和定位。

本發明是通過以下技術方案來實現：

一種基于深度極限學習機的結構損傷識別方法，包括以下步驟：

獲取待測建筑結構的損傷數據并進行預處理；

將訓損傷數據輸入深度極限學習機模型，并對深度極限學習機模型的超參數自適應尋優，得到訓練后的深度極限學習機模型；

采用十折交叉驗證來檢驗訓練后深度極限學習機模型損傷識別的精度和魯棒性，如果不滿足設定要求，則重新對深度極限學習機模型進行超參數優化，直到滿足結構損傷識別的精度要求，得到深度極限學習機損傷識別模型；

采用深度極限學習機損傷識別模型識別建筑結構的損傷位置。

優選的，在待測建筑結構的損傷處設置加速度傳感器，測量各損傷處的加速度時程數據，得到損傷數據。

優選的，所述預處理方法為，對損傷數據進行降噪和歸一化處理。

優選的，采用希爾伯特黃變換方法對損傷數據進行降噪處理。

優選的，使用希爾伯特黃變換提取損傷數據的基本分量，并提取損傷信號各IMF分量的能量特征，并將各損傷信號的損傷程度和損傷位置作為標簽，與損傷信號各IMF分量的能量特征組成特征向量。

優選的，采用粒子群優化算法對深度極限學習機模型的超參數進行自適應尋優。

優選的，還包括以下步驟，采用獲取的新的損傷數據對深度極限學習機損傷識別模型進行更新，提升損傷識別精度。