[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

说明书

本发明一种基于内积矩阵及深度学习的结构健康监测方法，属于结构健康监测技术领域；首先对被测结构的一种健康状态进行振动信号采集，然后每个数据子集的数据进行内积运算，得到该数据子集的内积矩阵；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；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，实现结构健康监测。利用神经网络深度学习方法可以直接将采集的内积矩阵作为输入层进行深度学习，大大减少在采集数据后对数据处理的时间和精力。

技术领域

本发明属于结构健康监测技术领域，具体涉及一种基于内积矩阵及深度学习的结构健康监测方法。

背景技术

基于振动的结构健康监测方法因其容易实现在线监测，一直以来受到国内外研究者的广泛关注。根据结构健康监测是否需要建立准确的结构理论模型，基于振动的结构健康监测方法可分为基于模型的方法及不基于模型的方法。对于较为复杂的结构而言，一般不容易建立其准确的理论模型，因此不基于模型的方法更容易应用于复杂结构的健康监测。不基于模型的方法一般利用结构时域响应、频域响应或模态参数及其组合，并结合相关数据处理方法，建立结构振动响应特征量与结构健康状态的对应关系。可以看出，数据处理在不基于模型的方法中有着至关重要的作用；同时，针对实际工程结构的健康监测往往涉及到大量的测试数据，因此基于大数据及深度学习思想的结构健康监测研究是该领域的一个发展方向。

深度学习作为一种更容易实现人工智能的机器学习方法，近些年来首先在计算机视觉、语音识别、自然语言处理等领域取得了显著的成效。深度学习的本质是通过深层次特征提取来获取数据特征，因此在与数据处理相关的其它领域也开始受到关注，如数据拟合、数据检测、优化设计、结构健康监测等多个领域。在结构健康监测领域，目前基于深度学习的方法主要从两个方面开展研究，一类基于图像识别的方法，另一类是基于振动响应信号处理的方法。基于图像识别的方法通过对结构局部照片图像进行特征提取并识别其健康状态，一般监测的均为结构表面裂纹、表面腐蚀等结构表面损伤，其本质属于图像识别，且广泛采用的是卷积神经网络及其扩展网络。基于振动响应信号处理的方法利用深度神经网络从振动响应中提取损伤特征，进而建立振动响应与结构健康状态的映射关系，目前研究中最常采用的都是卷积神经网络或自编码器。

不管是基于图像识别的表面损伤检测还是基于振动信号处理的各类型损伤检测，其基本原理都是利用深度神经网络强大的特征提取功能，建立可获取的损伤图像或振动响应与结构健康状态之间的映射关系。

在振动与冲击学术期刊上，第32卷第14期中论文名称为“基于振动响应内积向量和数据融合的结构损伤检测方法试验研究”(DOI：10.13465/j.cnki.jvs.2013.14.007)的文章中提出了一种以内积向量(inner product vector，IPV)作为损伤指标的损伤检测方法。文中表明，内积向量与结构的模态振型有关，可直接通过时域响应内积进行计算，且在其计算过程中可自动剔除相关测量噪声的影响。然而，该方法由于使用一维的内积向量作为反映结构健康特征的指标，无法使用神经网络等大数据处理的深度学习方法，因此，在对结构健康监测的数据处理时较为繁琐。

发明内容

要解决的技术问题：

为了避免现有技术的不足之处，本发明提出一种基于内积矩阵及深度学习的结构健康监测方法，以振动时域响应的相关性分析为基础，获取表征结构健康状态的原始特征信息，即内积矩阵，进而结合二维卷积神经网络的深层次特征提取功能，建立相应的结构健康监测方法。

本发明的技术方案是：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；