[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

说明书

本发明提供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，包括：根据振动响应数据，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。该方法通过引入稠密层以及卷积注意力模式，实现了更高效地损伤图像提取，通过胶囊网络层的动态路由输出矢量神经元，对振动传递数据信息中的姿态信息进行保存，最后经过全连接层实现对损伤位置及量值的预测。

技术领域

本发明涉及结构损伤诊断技术领域，具体涉及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。

背景技术

桥梁结构构造复杂，遭受荷载类型多样且所处环境恶劣，在其长期服役过程中，不可避免地发生损伤，结构损伤严重威胁着结构的安全运行。因此，对结构进行损伤诊断，及早发地现结构损伤并掌握其损伤程度是保证桥梁结构安全运行的重要手段。

目前，众多的大型桥梁已安装了结构健康监测系统，以求实时掌握桥梁的运行状态，保障桥梁的安全运营。结构健康监测系统采集并储存了海量的监测数据，这些海量监测数据包含丰富的表征结构损伤的信息，对海量数据的充分利用，实现数据仓库向数据生产力的转化仍是一个挑战。

结构损伤诊断的关键是对损伤位置的确定及损伤程度的量化。基于结构动力响应信号和人工智能算法的结构损伤诊断方法，因其高效的数据处理能力，出色的特征提取能力，并且可实现结构损伤的实时诊断而倍受青睐。其中以卷积神经网络为代表的深度学习智能算法，在结构的损伤诊断方面取得了显著成效，但卷积神经网络在池化过程中会丢掉很多重要信息，其使用的标量神经元在提取特征时也无法实现位置、角度等姿态信息的提取。但是在实际工程中，桥梁结构受到的是复杂的多源荷载共同的作用，荷载的变化及不确定性，会造成同类型损伤的相似特征减少，卷积神经网络的上述不足将导致其诊断性能变差，特别是在需要提取海量监测数据的结构损伤的信息中尤为明显。此外，传统的以时间序列的时域信号或基于傅里叶变换的频域信号作为损伤识别的数据，在激励干扰下存在高度不稳定性，使得对损伤不够敏感，难以充分表征结构的损伤特征。因此，需要一种更有效的结构振动响应信号和人工智能算法结合的结构损伤诊断方法，以实现对结构损伤的准确定位和损伤程度量化。

发明内容

为解决上述问题，本发明提供一种以传递率函数结合胶囊网络并融合多种机器视觉学习算法提出了一种基于振动传递大数据与胶囊网络融合的桥梁智能损伤诊断方法。

本发明提供了如下的技术方案。

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，包括以下步骤：

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。

优选地，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；