[发明专利]一种基于内积矩阵及深度学习的结构健康监测方法

权利要求书

1.一种基于内积矩阵及深度学习的结构健康监测方法，其特征在于具体步骤如下：

步骤一：对被测结构的一种健康状态进行振动信号采集；

首先，使用n个传感器采集被测结构在一种健康状态下的振动时域响应数据，将每个传感器所采集的整段数据等分为m段；然后，将同一时间段下各传感器采集的振动时域响应数据作为一个数据子集，即得到m个数据子集；

步骤二：将步骤一中得到的每个数据子集的数据按照以下公式进行内积运算，

其中，R_kl(0)表示响应x_k(t)与响应x_l(t)的互相关函数在时间延迟τ＝0时的值，其中，k＝1,2,...,n，,表示内积运算符，T为时域响应采样点数；

得到该数据子集的内积矩阵：

最后，得到由m个内积矩阵组成被测结构的当前健康状态下的结构健康特征数据集C；

步骤三：将获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C作为神经网络的输入层进行分析，然后得到被测结构在获得的m个内积矩阵下的健康状态；

步骤四：对被测结构的多种健康状态进行数据采集时，重复步骤一到三，即获得被测结构在多种结构健康状态下的不同健康特征数据集C；然后，将被测结构不同健康状态下的健康特征数据集C作为输入数据提交神经网络时，即可训练出被测结构的健康状态与健康特征数据集C之间的关系，从而通过该关系来反推出被测结构的健康状态，实现结构健康监测。

2.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤一中时域响应包括位移响应、速度响应、加速度响应。

3.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤三中的神经网络为卷积神经网路。

4.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤三中将输入层导入卷积神经网路后，其输入层之后连接若干个卷积层，以逐层提取输入数据中所包含的结构健康特征信息；卷积层之后连接一个批归一化层及一个池化层，以提升网络训练效率并防止过拟合；池化层之后连接一个拉直层，以实现二维数据向一维数据的转变，服务与后续的分类问题；拉直层之后连接若干个全连接层，以逐步整合前述层中具有类别区分性的局部信息；最后为分类层，以获得各个分类的概率，即给出被测结构A在获得的m个内积矩阵下的健康状态。