[发明专利]基于深度自编码器神经网络的长跨结构损伤识别方法

说明书

本发明涉及一种基于深度自编码器神经网络的长跨结构损伤识别方法，包括以下步骤：步骤S1:利用实测响应对长跨结构的有限元模型进行修正，获得基准有限元模型；步骤S2:根据基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；步骤S4:将待测结构动力测试得到的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。本发明不仅简化了神经网络的训练过程，减少了主观因素的影响，同时能够对大量高维度动力响应数据进行压缩，获得结构的损伤特征。

技术领域

本发明涉及结构损伤检测领域，具体涉及一种基于深度自编码器神经网络的长跨结构损伤识别方法。

背景技术

目前，结构健康监测技术在大跨空间结构和长大桥梁的养护和管理中得到了广泛应用，为实时评估和预测结构性能提供了有效手段。结构损伤识别是健康监测系统的核心模块，但传统损伤识别方法用于实际工程结构时往往存在损伤指标灵敏度不高、识别精度低、容易受环境噪声影响等问题。此外，对长跨结构动力测试采集的都是高维度响应数据，难以进行充分解读并提取合适的损伤特征。

近年来，人工智能领域中对神经网络的构建和训练算法研究取得了巨大突破，提出了与浅层神经网络不同的深度学习网络，较好解决了多层神经网络梯度消失和梯度爆炸的问题，可以构造结构复杂、学习能力更强的深度神经网络，已在图像识别、语音转换、人脸识别、自动驾驶等领域开展了广泛应用，具备从高维度数据中自动提取合适特征的强大能力，也为土木工程结构损伤识别的问题求解提供了新思路。

土木结构损伤识别经常采用频域参数作为响应，其中最常用的模态参数包括结构的固有频率、阻尼比和振型。固有频率为全局量，实践中需要的传感器数量少、受环境作用小、测试精度较高。但损伤往往是局部特性，所引起的频率变化往往不大，甚至容易被环境因素导致的频率变化所掩盖。而模态振型可以反映结构局部变化，理论上更敏感。但在长跨结构健康监测实践中，传感器数量往往有限，限制结构振型的完整性和平滑，同时实测得到的振型数量远小于结构的自由度数目和分析模型参数的数量，再加上环境噪声的影响，使得长跨结构损伤识别的准确性低，甚至无法识别。

传统浅层神经网络的拓扑相对简单，通常只有一、两个隐藏层，常见的支持向量机、逆向传播神经网络和概率神经网络等都属于浅层神经网络，在结构损伤识别中已有较为深入的研究，经常采用模态参数作为网络的训练样本。然而浅层神经网络用于损伤识别时容易受损伤位置、噪声水平和激励特性的影响，同时只能对少量简单的响应数据进行特征提取，无法处理大量含噪声的高维度数据，实用性大为降低。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度自编码器神经网络的长跨结构损伤识别方法，实现对高维度动力响应数据的充分解读，提取有用损伤特征进行实时评估。

为实现上述目的，本发明采用如下技术方案：

一种基于深度自编码器神经网络的长跨结构损伤识别方法，包括以下步骤：

步骤S1:基于灵敏度分析的模型修正方法，利用实测响应对长跨结构的有限元模型进行修正，建立长跨结构的基准有限元模型；

步骤S2:对基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；

步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；

步骤S4:将实测长跨结构的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。

进一步的，所述训练数据包括传递函数数据和每种损伤模式对应的分类标签，具体构建如下：通过结构动力分析得到不同损伤模式的传递函数，将相同损伤模式的传递函数为一组，对应一种分类标签，进一步得到训练数据。

进一步的，所述步骤S3具体为：