[发明专利]一种基于机器学习的结构模态参数识别方法

说明书

本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的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各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；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。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。

技术领域

本发明涉及机器学习、信号处理、土木工程结构健康监测技术领域，特别是涉及一种基于机器学习的结构模态参数识别方法。

背景技术

结构模态参数(频率、阻尼比、振型)识别是结构动力学的经典反问题。结构模态参数代表了一个结构的动态特性，只和结构的物理参数和力学模型有关。它们在结构健康检测中有重要的意义，并且是结构损伤识别、模型更新和安全评估的基础。在过去的几十年中，模态分析在线性系统的识别中得到了更多的关注。它将复杂的多自由度系统解耦为简单的模态叠加，从而可以更轻松地描述结构的振动。结构模态参数，即模态频率、阻尼比和模态振型，包含结构动态特性的基本信息。它们描述了结构在外力作用下的行为。因此，它们包含结构的重要信息，可用于结构损伤检测，模型更新，结构安全评估等。

传统的模态参数识别算法利用结构的输入和输出的关系。这需要理想的测试情况，可以控制或测量结构的激励。然而，在许多实际的基础设施中，不可能测量得到激励，因此仅利用输出的结构模态参数识别算法具有更大的优势。在过去的几十年中，出现了许多这类算法，涉及时域，频域和时频域。Ibrahim时域(ITD)方法使用结构自由振动响应的位移，速度或加速度时域信号来识别结构模态参数。峰值拾取(PP)方法基于以下原理：频率响应函数在自然频率附近以峰值出现，并且使用随机响应信号的功率谱代替频率响应函数。基于自回归移动平均值(ARMA)模型的时间序列分析方法是一种使用参数模型处理有序随机采样数据以获取结构模态参数的方法。随机子空间识别(SSI)方法基于线性系统中离散状态空间方程的识别方法，适用于平稳激励。自然激励技术(NExT)用响应之间的互相关函数代替了传统时域模态分析中的自由振动响应或脉冲响应函数。特征系统实现算法(ERA)使用测得的脉冲响应数据或自由响应数据来形成汉克尔矩阵，并使用奇异值分解来找到系统的最小实现。频域分解(FDD)是峰值拾取方法的扩展。主要思想是对响应的功率谱进行奇异值分解，并将功率谱分解为与多种模态相对应的一组单自由度系统功率谱。经验模式分解(EMD)是一种基于信号局部特征的信号分解方法。近年来，盲源分离(BSS)已成功用于结构动力学中，例如，模态识别。大多数BSS方法利用四种类型的数学属性，即信号源之间的相互独立性(也称为独立成分分析(ICA))，信号源的稀疏表示(例如稀疏成分分析(SCA)))，信号源的时间结构(例如二阶盲识别(SOBI))以及用于提取多个未知信号的算法(AMUSE)，和信号源信号的非平稳特性。

然而传统的基于盲源分离的结构模态参数识别算法分离效果不好，容易产生模态混叠以及模态丢失的问题，无法满足准确识别结构模态参数的精度和效率需求。人工专家干预决策的精度高，适应性强，但是自动化程度低，成本昂贵。

发明内容

本发明目的是为了解决现有的基于独立性结构模态参数识别算法分离效果不好，容易产生模态混叠以及模态丢失的问题，无法满足准确识别结构模态参数的精度和效率需求，且人工专家干预的自动化程度低，成本昂贵的缺点，提出了一种基于机器学习的结构模态参数识别方法。

本发明是通过以下技术方案实现的，本发明提出一种基于机器学习的结构模态参数识别方法，所述方法包括以下步骤：

步骤一、将振动传感器收集到的数据进行初步滤波去噪处理，选择带通滤波器对信号进行频率域滤波，然后进行傅里叶反变换返回到时域；