[发明专利]基于深度极限学习机的结构损伤识别方法及系统

说明书

本发明公开了一种基于深度极限学习机的结构损伤识别方法及系统，该方法结合先进的信号处理技术、深度极限学习机和粒子群优化算法，建立了一个能够实现自适应超参数寻优、抗噪性能强和损伤识别鲁棒性强的结构损伤识别方法。采用先进的信号处理技术希尔伯特黄变换来减少测量造噪声对振动信号的影响，提高了损伤识别算法的抗噪性。采用粒子群优化算法对基于深度极限学习机的超参数进行优化，提升了结构损伤识别的精度。最后，使用十折交叉实验验证来测试损伤识别算法的性能，保证了损伤识别算法的鲁棒性。同时，通过不断将在线监测的结构损伤数据用于更新结构损伤识别数据集，实现了损伤识别精度的不断提升。

技术领域

本发明属于结构损伤识别领域，具体为一种基于深度极限学习机的结构损伤识别方法及系统。

背景技术

大型建筑结构是城市的载体，建筑结构的健康服役是人民正常生活的基础。而随着结构在使用过程中材料的老化、荷载的变化和自然灾害的不断影响，建筑结构会发生不同程度的损伤，而随着损伤程度的加深，建筑结构的安全性能就无法得到保证。因此，对于服役中的建筑结构和建筑结构的关键部件进行健康监测和损伤识别具有非常重要的意义。结构健康监测与损伤识别，具体而言，是指通过在结构上布置传感器，采集结构的损伤数据，将采集到的损伤数据经过数据处理和分析，得到结构的损伤程度和实现损伤的定位。

基于振动信号的结构损伤识别在20世纪90年代开始在航空航天领域发展，并在同时期迅速的应用建筑结构损伤识别领域。基于振动信号的损伤识别的技术背景是通过分析结构的动态响应来捕捉结构的动力学参数(质量、刚度、阻尼)，进而实现结构的损伤识别。该方法具有信号容易采集，理论背景清晰，具有较强的实用价值。但通常在结构损伤测量中，存在环境噪声大的问题，导致有时候结构损伤识别效果欠佳。

浅层机器学习模型也曾经在基于振动信号的损伤识别方法中大量的使用，但由于浅层学习模型不能够建立损伤数据与损伤程度之间的精确映射关系，很多时候的损伤识别精度较差，有时候甚至不如基于损伤指标的损伤识别方法的识别精度。

发明内容

针对现有技术中存在的问题，本发明提供一种基于深度极限学习机的结构损伤识别方法及系统，可以实现结构损伤识别信号的降噪，能够自适应对深度极限学习机模型进行超参数寻优，最终实现结构损伤的快速高精度识别和定位。

本发明是通过以下技术方案来实现：

一种基于深度极限学习机的结构损伤识别方法，包括以下步骤：

获取待测建筑结构的损伤数据并进行预处理；

将训损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；

采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；

采用深度极限学习机损伤识别模型识别建筑结构的损伤位置。

优选的，在待测建筑结构的损伤处设置加速度传感器，测量各损伤处的加速度时程数据，得到损伤数据。

优选的，所述预处理方法为，对损伤数据进行降噪和归一化处理。

优选的，采用希尔伯特黄变换方法对损伤数据进行降噪处理。

优选的，使用希尔伯特黄变换提取损伤数据的基本分量，并提取损伤信号各IMF分量的能量特征，并将各损伤信号的损伤程度和损伤位置作为标签，与损伤信号各IMF分量的能量特征组成特征向量。

优选的，采用粒子群优化算法对深度极限学习机模型的超参数进行自适应寻优。

优选的，还包括以下步骤，采用获取的新的损伤数据对深度极限学习机损伤识别模型进行更新，提升损伤识别精度。