[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

说明书

本发明公开了一种基于深度学习的混凝土结构损伤监测方法及系统，采用二分类智能模型识别应力波信号中的噪音干扰信号，避免了人工清洗并提取噪音数据时造成的噪音数据提取难度大和效率低的问题，提高了数据处理速度和监测效率；采用TQWT和VMD相结合来剔除噪音干扰信号，避免了噪音干扰对结构损伤识别精度的影响，提高了结构损伤的识别精度；采用循环神经网络模型进行结构损伤识别，实现了结构损伤的智能识别；采用TQWT和VMD相结合来进行噪音剔除，数据特征提取效果更好，提高了去噪效果。

技术领域

本发明属于混凝土结构健康监测技术领域，尤其涉及一种基于深度学习的混凝土结构损伤监测方法及系统。

背景技术

混凝土结构是土木工程领域应用最为广泛的结构之一，混凝土结构在外界荷载和不利环境等因素影响下，结构会出现不同程度的损伤，最常见的是混凝土开裂，导致的结果是混凝土内部钢筋加速腐蚀，使结构服役期寿命降低。对结构进行安全评定时，若对损伤考虑不足将产生误判，带来重大安全隐患；因此，提出混凝土结构损伤监测方法将具有重要的理论与工程意义。

目前基于深度学习的结构健康监测技术已成为研究热点之一，卷积神经网络作为深度学习应用最广泛的一种神经网络模型，在图像分类与识别、目标定位与检测中展示了超强能力，因此受到诸多学者的青睐；已有大量学者将采集到的传感器信号通过特征提取算法从信号中提取特征向量，并以此作为卷积神经网络的输入数据，取得良好的识别效果。然而，卷积神经网络不考虑数据之间的关联性，网络的输出只和当前时刻网络的输入相关，在解决很多实际问题的时候发现，现实问题中存在着很多序列型的数据，例如文本、语音以及视频等。这些序列型的数据往往都是具有时序上的关联性，即某一时刻网络的输出除了与当前时刻的输入相关之外，还与之前某一时刻或某几个时刻的输出相关。但卷积神经网络并不能处理好这种关联性，由于没有记忆能力，前面时刻的输出不能传递到后面时刻。循环神经网络作为一种在普通全连接神经网络的基础上引入时间通道的神经网络模型，相比于卷积神经网络的不同样本之间相互独立的特性，循环神经网络更注重于挖掘数据之间的时序关联性，因此，在许多时序问题中，循环神经网络都取得了显著的成绩。

压电陶瓷作为一种新型智能材料，对结构的微小变化能做出良好响应。由压电陶瓷制作的压电传感器具有频响快、频带宽、精度高，能够同时作为驱动器和传感器对结构进行损伤检测和状态监测等优点，使其在结构健康监测领域有着广泛应用。然而，压电陶瓷进行损伤检测和状态监测易受到温度和噪音影响，需在监测条件较好，外界干扰较小的环境下才能完全发挥其性能。对于运营中的结构，尤其桥梁结构，在日常健康监测时由于不能妨碍正常交通，外界振动噪声较大，采用压电陶瓷监测桥梁结构的损伤受噪音影响大，导致可能监测不到结构损伤信息。在桥梁结构损伤监测时，压电陶瓷一般设在结构内部，外部温度变化对压电陶瓷的影响不大。因此，采用压电陶瓷对混凝土结构的损伤监测主要考虑噪音对监测效果的影响。另外，结构健康监测技术是对结构进行一个长期监测手段，故会导致监测数据非常庞大，如果人工清洗提取噪音数据，将会是一个巨大工程，且传统的结构健康监测技术要求具有相关知识的专业人员才能有效的对结构健康状态进行合理分析，进一步增加了噪音数据提取的难度和效率。

发明内容

本发明的目的在于提供一种基于深度学习的混凝土结构损伤监测方法及系统，以解决压电陶瓷监测结构损伤时受噪音影响导致损伤识别精度低的问题，以及从大量监测数据中提取噪音数据困难、效率低问题。

本发明独立权利要求的技术方案解决了上述发明目的中的一个或多个。

本发明是通过如下的技术方案来解决上述技术问题的：一种基于深度学习的混凝土结构损伤监测方法，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；