[发明专利]一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法

权利要求书

1.一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，包括：

根据待预测桥梁结构的振动响应数据，计算获得振动传递率函数，建立传递率函数矩阵，并将传递率函数矩阵转换为图像形式，获得传递率图像；

基于胶囊网络构建结构损伤定位和量化的神经网络模型，其中，将胶囊网络中的特征提取层改为稠密层，在第二卷积层后加入卷积注意力模块；

将传递率图像输入到训练好的神经网络模型，进行结构的损伤定位和量化，获得损伤位置及程度的预测结果；

所述振动传递率函数为：

y_i＝{y(f_m)}，m＝1,2,...,M

其中，M为传递率数据长度；

传递率函数矩阵为：

Y_j＝{y₁,y₂,...,y_i}

其中，j表示第j种损伤状况；

所述振动传递率函数的计算，包括：

其中，为在自由度i₁处和i₂处的响应之间的传递率，是互谱，是自谱，x(ω)和x^*(ω)分别为振动响应x(t_n)的傅里叶变化和它的共轭；

所述结构损伤定位和量化的神经网络模型包括第一卷积层、稠密层、第二卷积层、注意力模块、胶囊层和全连接层；所述稠密层包括多组稠密块，多组所述稠密块之间由过渡层链接；所述胶囊层包括Primary-Caps层和第二胶囊层；

所述将传递率图像输入训练好的神经网络模型，进行结构的损伤定位和量化，包括以下步骤：

输入尺寸为c×m×n的传递率图像，c为指通道数，m×n为图像尺寸；

传递率图像经过第一卷积层初步提取特征后进入到稠密层，进行深层次的特征提取；

稠密层的网络计算可表示为：

x_l＝H_l([x₀,x₁,...,x_l-1])

其中，H()函数由BN+ReLU+3*3Conv组成，[x₀,x₁,...,x_l-1]表示将0到l-1层的输出特征图做连接，即做通道的合并；

通过稠密层进行深层次的特征提取后，进入第二卷积层并初始化胶囊输入；

在第二卷积后加入卷积注意力模块，包括通道注意力模块和空间注意力模块；采用全局平均池化和最大池化两种方式分别利用不同的信息，汇总空间特征信息，并输出空间特征图；

将空间特征图输入到胶囊网络胶囊层中的Primary-Caps层输出低层胶囊网络多个神经元，利用动态路由算法连接胶囊之间信息的网络深度学习编码部分和整体之间的内在空间关系，实现高层胶囊网络多个神经元的更新；

将第二胶囊层的高层次特征展平并传递到两个全连接层，两个全连接层采用ReLU函数激活，最后输出所有单元损伤程度量值；

根据各单元损伤程度量值获得桥梁结构损伤的定位和量化。

2.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述结构损伤定位和量化的神经网络模型的训练，包括以下步骤：

构建用于模拟桥梁的各种损伤情况的桥梁结构有限元模型，提取各种损伤状态下结构的振动响应数据；

根据振动响应数据，计算获得各种损伤状态下的振动传递率函数，建立传递率函数矩阵，并将传递率函数矩阵转换为图像形式，获得传递率图像；

将传递率图像进行分类，并贴上相应损伤标签，标签内容包含结构的损伤位置及损伤程度；根据传递率图像构建图像样本数据集；

确定损失函数，输入图像样本数据集进行神经网络模型训练，获得训练好的神经网络模型。

3.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述振动响应数据包括加速度和位移，记为：

x_i＝{x(t_n)}，i＝1,2,...k，n＝1,2,...,N

其中，k为数据采集点个数，N为响应数据的长度。

4.根据权利要求1所述的振动传递大数据与胶囊网络融合的桥梁损伤诊断方法，其特征在于，所述传递率函数矩阵转换的图像形式为等高线图。