[发明专利]一种框架结构多节点损伤诊断方法

说明书

本发明公开了一种框架结构多节点损伤诊断方法，包括以下步骤：S1)按照设置的损伤工况和采样频率，采集框架结构在地震激励作用下的各节点加速度数据；S2)建立框架结构损伤数据库；S3)将损伤数据库里的样本数据按比例划分为训练集和测试集，并对样本进行多标签标注；S4)搭建多输出残差卷积神经网络模型；S5)将训练集和测试集数据分别输入到所搭建的多输出残差卷积神经网络模型中，以完成网络的训练和动态测试；S6)完成训练后的多输出残差卷积神经网络模型可自动从加速度数据中提取损伤位置和损伤程度的敏感信息，并给出框架结构各节点的损伤诊断结果。本发明方法可以直接从原始数据中提取损伤特征，并同时完成对框架结构所有节点的损伤情况的诊断。

技术领域

本发明涉及结构损伤识别领域，具体涉及一种框架结构多节点损伤诊断方法。

背景技术

框架结构在长期服役过程中，不可避免的因环境腐蚀、材料老化等因素的作用而产生损伤。当损伤累积到一定程度时，可能会引起结构的整体破坏，对人的生命和财产安全产生严重威胁。因此，及时发现结构损伤的位置，积极采取修护措施是十分必要的。

基于机器学习的损伤检测方法主要分为基于传统机器学习的损伤检测法和现在的基于深度学习的损伤检测方法。基于传统机器学习的损伤检测法主要是利用人工神经网络(ANN)或支持向量机(SVM)来进行损伤识别，该方法的思路是先对原始数据进行信号处理，以初步提取数据的特征，再选择对结构损伤最为敏感的特征作为输入，最后利用ANN或SVM来对损伤进行分类；这种方法需要人工选择提取特征，即需要专家的专业知识和经验，在工程中应用起来较为困难。基于深度学习的损伤检测法主要是利用时间序列数据和卷积神经网络来进行损伤识别，该方法的思路是利用结构在各损伤状态下和无损状态下采集的加速度数据或位移数据来建立结构损伤识别数据集，再利用卷积神经网络来从数据集中自动提取损伤敏感特征，以完成损伤的识别或分类。

现有大量基于振动数据和卷积神经网络的结构损伤识别研究，但它们大多采用的是单输出网络模型，即仅能对各种损伤工况进行分类，很难直观的判断损伤的部位，且它们主要是针对于梁式结构。因此需要提供一种可以对复杂框架结构的多个节点同时进行损伤诊断的方法。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种框架结构多节点损伤诊断方法。

本发明解决其技术问题所采用的技术方案是：一种框架结构多节点损伤诊断方法，包括以下步骤：

S1)在有限元软件中进行框架的动力分析，确定目标框架结构和损伤模拟方式以及地震激励的形式，按照设置的框架结构损伤工况和采样频率，采集框架结构在地震激励作用下的不同损伤工况时各节点振动加速度数据；

S2)对采集的振动加速度数据进行数据扩充处理，以建立框架结构损伤数据库；框架结构损伤数据库中数据保存为(损伤工况，节点加速度，节点位置编号，地震激励形式)；

S3)将损伤数据库里的样本划分为训练集和测试集，并对训练集和测试集里的样本进行多标签标注；

标签是由多个元素组成的向量，各元素所在位置编号分别对应各节点的位置编号；

元素取值为1时，代表该节点损伤，元素取值为0时，则代表该节点完好；

S4)搭建用于节点损伤诊断的多输出残差卷积神经网络模型；

所述多输出残差卷积神经网络模型的结构如下：

包括输入层，输入层为一个卷积核尺寸设为s×3的卷积层，其中，s对应框架结构的节点总数；

损伤初步特征提取层，包括一个BN层和一个Relu激活函数，以进行损伤特征的初步提取；