[发明专利]一种基于机器学习的结构模态参数识别方法

权利要求书

1.一种基于机器学习的结构模态参数识别方法，其特征在于：所述方法包括以下步骤：

步骤一、将振动传感器收集到的结构振动数据进行初步滤波去噪处理，所述初步滤波去噪处理具体为：选择带通滤波器对结构振动数据进行频率域滤波，然后进行傅里叶反变换返回到时域；

步骤二、将滤波后的结构振动数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；

步骤三、提取神经网络第三层的结果即为模态响应，神经网络三四层之间的权重即为振型系数；

步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比；

所述设计的神经网络具体为：利用一个设计的四层神经网络从系统响应中分离得到模态响应和振型系数，该神经网络利用了模态响应之间的独立性，从不相关性和非高斯性两个方面对独立性进行约束，从而实现模态响应的分离，从而求得模态响应和振型系数；

神经网络的输入为滤波之后的结构振动的响应数据X，其形式为：

式中N是时域数据的采样点数，m是振动传感器的数目；

神经网络的第二层用线性不相关和最小化高斯性进行约束，约束第二层结果的协方差矩阵为单位矩阵来满足线性不相关的约束，通过白化处理和利用高斯性函数度量函数来实现最小化高斯性约束；

式中H是神经网络第二层的结果，cov(·)是求不同变量之间的协方差矩阵，I是单位矩阵，||·||₁是求l₁范数，W⁽¹⁾是神经网络一二层之间的权重系数，λ₁、λ₂、λ₃是0-1之间的常数；

神经网络的第三层用非线性不相关进行约束；第三层利用激活函数进行非线性变换，然后通过约束第三层结果的协方差矩阵为单位矩阵来满足非线性不相关的约束；

式中Q是神经网络第三层的结果，即模态响应，λ₄是0-1之间的常数，n是模态的阶数；

神经网络的第四层是用来重构网络的输入，以此来确保神经网络第三层的结果就是要求的模态响应，神经网络第三层和第四层之间的权重系数为振型系数；利用一个函数L₄来约束第四层重构输入信号；

式中x_ij是输入数据，是重构数据；

所述设计的目标函数为：

其中，L₁、L₂、L₃、L₄是目标函数L的四部分，λ₁、λ₂、λ₃、λ₄是0-1之间的常数，H是神经网络第二层的结果，cov(·)是求不同变量之间的协方差矩阵，I是单位矩阵，||·||₁是求l₁范数，W⁽¹⁾是神经网络一二层之间的权重系数，Q是神经网络第三层的结果，即模态响应，x_ij是输入数据，是重构数据，N是时域数据的采样点数，m是振动传感器的数目，n是模态的阶数。

2.根据权利要求1所述的方法，其特征在于：

所述模态响应结果表示为：

式中，每一列即为一阶模态响应，共有n列，即共有n阶模态响应；

所述神经网络三四层之间的权重系数W⁽³⁾即为振型系数，其表示为：

式中，每一行即为一阶振型系数，共有n行，即共有n阶振型系数。

3.根据权利要求1所述的方法，其特征在于：所述步骤三具体为：先运行神经网络进行训练集的训练然后运行测试集判断第三层的测试结果，并从中挑选符合要求的准确的模态响应，然后重新运行神经网络的第三层和第四层，得到准确的振型系数。