[发明专利]一种基于深度学习的混凝土结构损伤监测方法及系统

权利要求书

1.一种基于深度学习的混凝土结构损伤监测方法，其特征在于，包括如下步骤：

在待监测混凝土结构内预埋入多个压电智能骨料，每个压电智能骨料包括一个压电陶瓷驱动器和一个压电陶瓷传感器，每个所述压电陶瓷驱动器均与信号放大器连接，所述信号放大器与信号函数发生器连接，所述信号函数发生器与数据采集及处理装置连接；每个所述压电陶瓷传感器与数据采集及处理装置连接；

在给所述待监测混凝土结构外施加不同静载和随机动载的同时，利用信号函数发生器和压电陶瓷驱动器使待监测混凝土结构内产生应力波，所述压电陶瓷传感器采集应力波信号，所述应力波信号包括噪音干扰信号和/或结构损伤信号，对所述应力波信号进行有无噪音标记以及损伤标记，以标记后的应力波信号作为原始数据样本；

采用小波包分解法对原始数据样本进行三层分解，提取第三层各频带的能量，由所述各频带的能量构成一个特征向量，所述特征向量与特征向量的转秩相乘得到训练特征矩阵；

将所述训练特征矩阵中的每个元素转换成二分类智能模型能识别的格式，形成第一训练数据样本，将所述第一训练数据样本分为训练集、验证集和测试集；

建立所述二分类智能模型，采用所述第一训练数据样本对所述二分类智能模型进行噪音识别训练，得到训练好的二分类智能模型；

采用训练好的二分类智能模型对第一训练数据样本的测试集进行噪音识别，提取所有含有噪音干扰信号的第一数据；

采用TQWT和VMD相结合来剔除所述第一数据中的噪音干扰信号，得到有效特征信号，所有有效特征信号与测试集中不含有噪音干扰信号的数据构成第二训练数据样本；

建立循环神经网络模型，采用所述第二训练数据样本对所述循环神经网络模型进行损伤识别训练，得到训练好的循环神经网络模型。

2.如权利要求1所述的混凝土结构损伤监测方法，其特征在于：在所述待监测混凝土结构的两端分别设置一个压电智能骨料，在所述待监测混凝土结构的中间等间距地设置多个压电智能骨料。

3.如权利要求1所述的混凝土结构损伤监测方法，其特征在于：所述静载是按照0kN、10kN、20kN、30kN、40kN、50kN、60kN、70kN、80kN、90kN、100kN的顺序逐级递增至混凝土结构完全破坏为止，且在每级静载加载过程中对混凝土结构的不同部位施加随机动载；

优选地，所述损伤标记包括健康标记、20％损伤标记、50％损伤标记、70％损伤标记以及完全破坏标记。

4.如权利要求1所述的混凝土结构损伤监测方法，其特征在于：所述二分类智能模型为基于ResNeXt的卷积神经网络模型或支持向量机模型。

5.如权利要求4所述的混凝土结构损伤监测方法，其特征在于：所述基于ResNeXt的卷积神经网络模型包括依次连接的输入层、第一卷积层、下采样层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、Softmax层以及输出层，所述第二卷积层、第三卷积层、第四卷积层以及第五卷积层均包括多个ResNeXt卷积块。

6.如权利要求1所述的混凝土结构损伤监测方法，其特征在于：所述TQWT和VMD相结合来剔除第一数据中噪音干扰信号的实现步骤包括：

采用TQWT对第一数据进行十层分解，得到十一个子频带能量，提取所述十一个子频带能量中能量最大的子频带；

采用VMD将最大子频带信号分解为若干固有模态分量；

利用皮尔逊相关性系数计算每一阶固有模态分量与所述最大子频带信号的相关性，将相关性最大的几阶固有模态分量进行重构，得到所述最大子频带信号中的振动特征信号，将所述振动特征信号剔除，即得到有效特征信号。

7.如权利要求1所述的混凝土结构损伤监测方法，其特征在于：所述循环神经网络模型采用双向LSTM循环神经网络模型。