[发明专利]一种基于深度学习的结构加速度时程积分器

说明书

本发明公开了一种基于深度学习的结构加速度时程积分器，其特征在于，包括以下步骤：A.输入不同时刻的激励荷载到多层多通道门控循环神经网络中；B.经过递归算法计算后输出不同时刻的位移和速度时程；C.不同时刻的位移和速度时程经过一维差分滤波器计算出不同时刻的速度和加速度时程；D.不同时刻的速度和加速度时程经过数据损失函数和物理恒等损失函数计算，不同时刻的位移和速度时程经过物理恒等损失函数计算，总结得出损失函数。本发明与现有技术相比的优点在于：实现直接对速度时程积分，从而得到准确的速度和位移时程，可用于基础设施结构健康监测中，降低速度和位移测量的成本。

技术领域

本发明涉及计算机领域，具体是指一种基于深度学习的结构加速度时程积分器。

背景技术

对振动结构的位移进行测量，是动态测试和结构健康监测领域关键内容。常规手段主要利用位移计、光纤、激光、雷达、视频等测试技术，对位移或变形进行直接测量。一般而言，结构健康监测系统有加速度传感器构成，无法直接测量位移；虽然数值积分方法可将加速度时程转换为速度和位移，但是由于信号噪声等因素影响，存在漂移现象、误差较大。虽利用上述位移测试技术对结构位移进行直接测量，但是引入了新的传感设备，增加监测造价。因此，直接从测量的加速度时程中得到位移和速度时程响应，一方面可以充分利用测量数据，另一方面可降低测试成本。基于物理信息的深度神经网络则有望解决这一难题。

因此，针对基于深度学习的结构加速度时程积分技术进行研究，是亟需的。

发明内容

本发明要解决的技术问题是，针对以上问题提供一种基于深度学习的结构加速度时程积分器。

为解决上述技术问题，本发明提供的技术方案为：一种基于深度学习的结构加速度时程积分器，其特征在于，包括以下步骤：

A.输入不同时刻的激励荷载到多层多通道门控循环神经网络中；

B.经过递归算法计算后输出不同时刻的位移和速度时程；

C.不同时刻的位移和速度时程经过一维差分滤波器计算出不同时刻的速度和加速度时程；

D.不同时刻的速度和加速度时程经过数据损失函数和物理恒等损失函数计算，不同时刻的位移和速度时程经过物理恒等损失函数计算，总结得出损失函数。

作为改进，不同时刻的位移和速度时程为

作为改进，不同时刻的速度和加速度时程标记为

作为改进，数据损失函数计算公式为：

作为改进，物理恒等损失函数计算公式为：

作为改进，θ为网络的可训练参数。

本发明与现有技术相比的优点在于：实现直接对速度时程积分，从而得到准确的速度和位移时程，可用于基础设施结构健康监测中，降低速度和位移测量的成本。

附图说明

图1是一种基于深度学习的加速度时程积分器的结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

本发明在具体实施时，一种基于深度学习的结构加速度时程积分器，其特征在于，包括以下步骤：

A.输入不同时刻的激励荷载到多层多通道门控循环神经网络中；

B.经过递归算法计算后输出不同时刻的位移和速度时程；

C.不同时刻的位移和速度时程经过一维差分滤波器计算出不同时刻的速度和加速度时程；