[发明专利]基于二维卷积神经网络的损伤识别模型建立方法及设备

权利要求书

1.一种基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，包括：

基于二维卷积神经网络构建初始神经网络模型，用于根据输入的二维数据预测结构的质量损失量；

构建数据集，其中的每一条样本包括结构的质量损失量，以及相应损伤状态下，由结构在n个目标频段下的一维电导数据构造而成的二维数据；每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成；n和N均为正整数，且n≥2；

将所述数据集划分为训练集和测试集，以样本中的二维数据为输入，以相应的质量损失量为标签信息，分别利用所述训练集和所述测试集对所述初始神经网络模型进行训练和测试，将训练后满足测试要求的模型作为所述损伤识别模型。

2.如权利要求1所述的基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，所述n个目标频段为扫频范围内结构对损伤最敏感的n个子频段。

3.如权利要求2所述的基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，构建数据集，包括：

在预设频段内扫频，并测量各频率点处结构在不同损伤状态下的电导信号；

将所述预设频段划分为多个子频段，对于每一个损伤状态，分别计算结构在该损伤状态下各子频段内的电导信号相对于结构在无损伤状态下各子频段内的电导信号的偏差；每个频段内包含N个频率点；

划分不同的损伤等级，不同损伤等级所对应的质量损失量范围不同；统计各损伤等级下，偏差平均值最大的n个子频段，作为相应损伤等级所对应的目标频段；

对于每一个损伤状态，根据其所属损伤等级确定其所对应的目标频段，并提取该损伤状态在各目标频段内的电导信号，并将每两个目标频段内的一维电导信号通过矩阵相乘然后归一化的方式构造N×N的二维数据，由所构造的二维数据和该损伤状态下的质量损失量构成一条样本；由所有样本构成所述数据集。

4.如权利要求3所述的基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，n＝2。

5.如权利要求3或4所述的基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，将所述预设频段划分为多个子频段，每个频段内包含N个频率点，包括：

去除所述预设频段的首、尾两段后，将剩余频段中的每N个频率点划分为一个子频段。

6.如权利要求5所述的基于二维卷积神经网络的损伤识别模型建立方法，其特征在于，所述预设频段为40Hz-500kHz。

7.一种基于二维卷积神经网络的损伤识别模型建立设备，其特征在于，包括：初始化模块、数据集构建模块以及训练模块；

所述初始化模块，用于基于二维卷积神经网络构建初始神经网络模型，用于根据输入的二维数据预测结构的质量损失量；

所述数据集构建模块，用于构建数据集，其中的每一条样本包括结构的质量损失量，以及相应损伤状态下，由结构在n个目标频段下的一维电导数据构造而成的二维数据；每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成；n和N均为正整数，且n≥2；

所述训练模块，用于将所述数据集划分为训练集和测试集，以样本中的二维数据为输入，以相应的质量损失量为标签信息，分别利用所述训练集和所述测试集对所述初始神经网络模型进行训练和测试，将训练后满足测试要求的模型作为所述损伤识别模型。