[发明专利]联合卷积与循环神经网络的结构损伤识别方法

说明书

本发明公开了联合卷积与循环神经网络的结构损伤识别方法，包括：利用多个传感器采集待测目标不同位置的振动响应加速度数据；对振动响应加速度数据进行预处理形成时间序列数据矩阵；利用卷积神经网络从时间序列数据矩阵中提取空间相关性特征及短时间尺度依赖特征；利用门控循环网络基于空间相关性特征及短时间尺度依赖特征提取长时间尺度依赖性特征；利用长时间尺度依赖性特征对待测目标的损伤状态进行分类。本发明考虑监测数据在时间和空间上的联系，避免损伤状态识别中出现特征提取不足、鲁棒性差、模式分类能力较弱的情况，显著提高了结构损伤识别的精度，并能在合理的训练条件下节省更多的计算空间消耗，具有较好的计算时间和空间平衡性。

技术领域

本发明涉及结构损伤识别领域，具体涉及联合卷积与循环神经网络的结构损伤识别方法。

背景技术

随着公路、桥梁等基础设施建设的快速发展，我国已经步入了公路桥梁大国的行列，并且成为了世界上服役桥梁数最多的国家。然而，结构在长期运营过程中，不可避免的会受到自然环境侵蚀、人类活动以及材料老化等因素的影响，加之桥梁管理普遍存在“重建轻养”等问题，会使桥梁结构的疲劳损伤日益恶化，从而导致结构不能满足长期运营的安全性、耐用性、可维护性和可持续性等要求。由于结构规模庞大，一旦出现结构性能失效等问题将会导致重大事故，给人民财产带来不可估量的损失。因此，结构损伤识别作为结构健康监测的关键问题之一，在结构工程领域得到了广泛的应用。

当结构发生损伤的时候，其质量、刚度等结构动力参数会发生改变，结构健康监测技术通过分析结构上加速度、应变、挠度等传感器数据，对当前结构状态进行损伤识别及结构安全状态分析。然而，现有损伤识别方法通常只注重于监测数据本身数值的变化，并未关注监测数据在时间或空间上的联系，存在特征提取不足、鲁棒性差、模式分类能力较弱等问题。

因此，如何充分考虑监测数据在时间和空间上的联系，避免损伤状态识别中出现特征提取不足、鲁棒性差、模式分类能力较弱的情况，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题包括：如何充分考虑监测数据在时间和空间上的联系，避免损伤状态识别中出现特征提取不足、鲁棒性差、模式分类能力较弱的情况。

为了解决上述技术问题，本发明采用了如下的技术方案：

联合卷积与循环神经网络的结构损伤识别方法，包括：

S1、利用多个传感器采集待测目标不同位置的振动响应加速度数据；

S2、对振动响应加速度数据进行预处理形成时间序列数据矩阵；

S3、利用卷积神经网络从时间序列数据矩阵中提取空间相关性特征及短时间尺度依赖特征；

S4、利用门控循环网络基于空间相关性特征及短时间尺度依赖特征提取长时间尺度依赖性特征；

S5、利用长时间尺度依赖性特征对待测目标的损伤状态进行分类。

优选地，步骤S2中：

第i个传感器采集的振动响应加速度数据为R表示在每一时刻加速度传感器获取的值，表示第i个传感器在时间戳t处采集的振动响应加速度，q表示时间序列的长度；

时间序列数据矩阵为X，表示串联操作，p表示传感器总个数，x_t∈R^p，x_t为中与时间戳t对应的列向量，R^p表示所有传感器的向量矩阵。

优选地，步骤S3中：

卷积神经网络通过卷积、池化交替作用，对X进行特征提取与降维，输出的第i层的特征图为H_i表示如下：