[发明专利]一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法

权利要求书

1.一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法，其特征在于，具体包括以下步骤：

S1、根据桥梁结构在健康状态下的结构动力响应数据，绘制相应的时域图；对时域图进行时域分析，利用NExT法得到互相关函数；

S2、根据S1的互相关函数，对其经傅里叶变换后得到互功率谱密度，并依据互功率谱密度进行频域分析得到桥梁结构的模态参数——频率，之后确定敏感频带；

S3、根据S2的敏感频带数据，得到损伤指标——结构健康状态因子；

S4、根据S3的结构健康因子的实部和虚部数据，引入稀疏贝叶斯学习算法，建立以虚部数据为自变量、实部数据为因变量的结构健康状态因子的回归参考模型；

S5、当有新的监测数据时，重复步骤S1至步骤S3，得到新的损伤指标，并将此损伤指标带入S4中的回归参考模型，此时可依据新的损伤指标的实部数据是否拟合回归参考模型进行损伤的定性识别；

S6、计算S5中新的损伤指标的实部数据与回归参考模型的实部数据的残差，将残差视为随机变量，并对残差均值进行贝叶斯假设检验，最后根据贝叶斯因子进行损伤的定量识别。

2.根据权利要求1所述的方法，其特征在于，步骤S1中对时域图进行时域分析，采用NExT方法得到互相关函数，具体步骤包括：利用桥梁结构在平稳随机振动信号的激励下的响应，求出结构两点之间的互相关函数。

3.根据权利要求1所述的方法，其特征在于，步骤S3中结构健康状态因子的计算公式如式(1)：

h＝Q_h(Q_h^*Q_h)^-1Q_h^*s (1)

s＝Q_hp (2)

式中，h为结构健康状态因子；Q_h为敏感频带数据，为N×L矩阵，其中N为敏感频带的点数，L为加速度传感器数量；s为目标向量，为N×1向量，p为L×1的转换向量。

4.根据权利要求1所述的方法，其特征在于，步骤S4中的稀疏贝叶斯学习算法，其在学习过程中通过最大化证据函数，自动嵌入奥卡姆剃刀原理，以删除基函数的方式促进模型的稀疏性，最终所得模型参数为一后验概率密度函数，以此来表示所有形式的不确定性。

5.根据权利要求1所述的方法，其特征在于，步骤S6中用于损伤定量识别的贝叶斯因子，如式(3)：

B＝P(D|H₁)/P(D|H₀) (3)

式中，B为贝叶斯因子；D为残差；H₀为结构健康状态下的工况；H₁为结构损伤未知状态下的工况。