[發明專利]基于機器學習算法建筑幕墻損傷狀態定量識別方法及裝置

有效

• 申請號: 202210617762.0
• 申請日: 2022-06-01
• 公開（公告）號: CN115032270B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 謝謨文;李雙全;黃正均;賀錚;趙晨;郭登上
• 申請（專利權）人: 北京科技大學
• 主分類號: G01N29/04
• 分類號: G01N29/04;G01N29/12;G01N29/22
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

1.一種基于機器學習算法建筑幕墻損傷狀態定量識別方法，其特征在于，所述方法包括：

S1、獲取待測幕墻面板的動力響應信號；

S2、將所述動力響應信號輸入到構建好的基于灰狼算法優化的支持向量機模型；

S3、根據所述動力響應信號以及基于灰狼算法優化的支持向量機模型，得到待測幕墻面板的損傷狀態的定量識別結果；

所述S2中的基于灰狼算法優化的支持向量機模型的構建過程包括：

S21、獲取幕墻面板的動力響應信號；其中，所述動力響應信號包括多個不同損傷程度的工況下幕墻面板的板中的動力響應信號以及幕墻面板的4個邊角的動力響應信號；

S22、基于所述動力響應信號，計算多個不同損傷程度的工況下幕墻面板的損傷識別指標；其中，所述損傷識別指標包括損傷程度識別指標相對固有頻率、損傷位置識別指標相對振動方差以及損傷位置識別指標相對變異系數；

S23、基于所述損傷識別指標，構建智能分類數據庫；

S24、基于所述智能分類數據庫，構建灰狼算法優化的支持向量機模型；

所述S22中的損傷程度識別指標相對固有頻率的計算方法，如下式(1)所示：

式中，X_f為多個不同損傷程度的工況中任一損傷程度的工況對應的相對固有頻率；為損傷工況f對應的幕墻面板的板中和幕墻面板的4個邊角的采集信號計算的平均固有頻率；/為損傷程度為未損傷的工況對應的幕墻面板的板中和幕墻面板的4個邊角的采集信號計算的平均固有頻率；i為信號采集位置處的編號，取值范圍為1,2,3,4,5；

所述S22中的損傷位置識別指標相對振動方差的計算方法，如下式(2)所示：

式中，為多個不同損傷程度的工況中任一損傷程度的工況幕墻面板第a個位置的相對振動方差；/為第a個位置在i時刻幕墻面板的振動速度；/為第a個位置的絕對均值，a為幕墻面板的4個邊角位置編號，取值為1,2,3,4；N為采集的振動速度時程信號的樣本點數；

所述S22中的損傷位置識別指標相對變異系數的計算方法，如下式(3)所示：

式中，為多個不同損傷程度的工況中任一損傷程度的工況幕墻面板第a個位置的相對變異系數；/為第a個位置在i時刻幕墻面板的振動速度；/為第a個位置的絕對均值，/a為幕墻面板的4個邊角位置編號，取值為1,2,3,4；N為采集的振動速度時程信號的樣本點數。

2.根據權利要求1所述的方法，其特征在于，所述S21中的獲取幕墻面板的動力響應信號包括：

采用激光多普勒測振儀獲取幕墻面板的動力響應信號。

3.根據權利要求1所述的方法，其特征在于，所述智能分類數據庫，如下式(4)、(5)所示：

[Y]＝[Y₁,Y₂,Y₃,Y₄] (5)

式中，[X]表示多個不同損傷程度的工況中任一損傷程度的工況對應的特征向量，X_f表示工況對應的相對固有頻率；分別表示工況對應的幕墻面板的4個邊角處的相對振動方差；/分別表示工況對應的幕墻面板的4個邊角處對應的相對變異系數；

[Y]為智能分類數據庫輸出向量；Y₁、Y₂、Y₃、Y₄分別表征幕墻面板的4個邊角處螺栓松動程度，取值為1,2,3,…,N。

4.根據權利要求1所述的方法，其特征在于，所述S3中的根據所述動力響應信號以及基于灰狼算法優化的支持向量機模型，得到待測幕墻面板的損傷狀態的定量識別結果包括：

根據所述動力響應信號以及基于灰狼算法優化的支持向量機模型，生成各不同損傷程度的工況間的最大間隔超平面，根據所述最大間隔超平面判定待測幕墻面板的工況，得到待測幕墻面板的損傷狀態的定量識別結果。

5.一種基于機器學習算法建筑幕墻損傷狀態定量識別裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取待測幕墻面板的動力響應信號；

輸入模塊，用于將所述動力響應信號輸入到構建好的基于灰狼算法優化的支持向量機模型；

輸出模塊，用于根據所述動力響應信號以及基于灰狼算法優化的支持向量機模型，得到待測幕墻面板的損傷狀態的定量識別結果；

所述基于灰狼算法優化的支持向量機模型的構建過程包括：

S21、獲取幕墻面板的動力響應信號；其中，所述動力響應信號包括多個不同損傷程度的工況下幕墻面板的板中的動力響應信號以及幕墻面板的4個邊角的動力響應信號；

S22、基于所述動力響應信號，計算多個不同損傷程度的工況下幕墻面板的損傷識別指標；其中，所述損傷識別指標包括損傷程度識別指標相對固有頻率、損傷位置識別指標相對振動方差以及損傷位置識別指標相對變異系數；

S23、基于所述損傷識別指標，構建智能分類數據庫；

S24、基于所述智能分類數據庫，構建灰狼算法優化的支持向量機模型；

所述S22中的損傷程度識別指標相對固有頻率的計算方法，如下式(1)所示：

/

式中，X_f為多個不同損傷程度的工況中任一損傷程度的工況對應的相對固有頻率；為損傷工況f對應的幕墻面板的板中和幕墻面板的4個邊角的采集信號計算的平均固有頻率；/為損傷程度為未損傷的工況對應的幕墻面板的板中和幕墻面板的4個邊角的采集信號計算的平均固有頻率；i為信號采集位置處的編號，取值范圍為1,2,3,4,5；

所述S22中的損傷位置識別指標相對振動方差的計算方法，如下式(2)所示：

式中，為多個不同損傷程度的工況中任一損傷程度的工況幕墻面板第a個位置的相對振動方差；/為第a個位置在i時刻幕墻面板的振動速度；/為第a個位置的絕對均值，a為幕墻面板的4個邊角位置編號，取值為1,2,3,4；N為采集的振動速度時程信號的樣本點數；

所述S22中的損傷位置識別指標相對變異系數的計算方法，如下式(3)所示：

式中，為多個不同損傷程度的工況中任一損傷程度的工況幕墻面板第a個位置的相對變異系數；/為第a個位置在i時刻幕墻面板的振動速度；/為第a個位置的絕對均值，a為幕墻面板的4個邊角位置編號，取值為1,2,3,4；N為采集的振動速度時程信號的樣本點數。/