[发明专利]一种基于PGDNN在移动车辆荷载作用下的桥梁损伤识别方法

说明书

本发明公开了一种基于PGDNN在移动车辆荷载作用下的桥梁损伤识别方法，包括物理域(数值模型)和数据域(目标桥梁)、特征提取器(VGG16)、物理数据域损失函数、PGDNN模型；所述数值模型由车桥耦合振动理论、桥梁损伤和加速度物理关系建立；VGG16对不同域的损伤特征进行提取；物理数据域损失函数将不同域的损伤特征投影到同一特征空间(再生核希尔伯特空间)；未标记的数据域损伤特征获得标签，从而完成PGDNN模型的学习，并用于目标桥梁中的损伤识别。本发明结合了有限元模型和机器学习的优点，将数值模型的物理规律纳入神经网络，指导从稀缺测量数据中学习损伤特征，并对数据域未知损伤进行精确分类，实现桥梁结构在移动车辆荷载作用下的高精度损伤识。

技术领域

本发明属于结构健康监测技术领域，特别涉及一种基于PGDNN在移动车辆荷载作用下的桥梁损伤识别方法。

背景技术

桥梁损伤识别是桥梁健康监测领域一项十分重要的工作，桥梁损伤会引起桥梁动态特性的变化，例如刚度、质量和阻尼等，通过分析桥梁动态响应可以感知损伤的发生和位置，桥梁在各种激励下的动态响应已被用于检测和评估桥梁损伤，与环境激励相比，车辆荷载激励获得的振动响应信号具有更高的信噪比，对桥梁的局部损伤非常敏感。

基于有限元(FE)模型的模型方法和基于机器学习的非模型方法通常用于移动车辆荷载下桥梁的损伤识别。基于有限元模型的模型方法通过比较损伤前后有限元模型模态参数的变化来识别桥梁的损伤，如固有频率、模型阻尼和振型，该模型方法受建模误差的影响较大，如刚度误差、材料密度误差、环境噪声等，模型过于简单可能无法反映真实桥梁的动态特性，导致精度下降问题，而模型过于复杂可能需要大量计算时间和资源，导致效率低下问题。另一方面，基于机器学习的非模型方法虽没有建模误差问题，但依赖可靠的信号和机器学习方法，机器学习方法主要是从测得的振动信号中提取损伤特征，故需要从未受损和受损状态中获取大量标记数据，对于大跨度桥梁和高层框架建筑等大型结构，制作受损标签非常耗时且成本高昂。

基于此，本发明专利将提供一种基于PGDNN(Physics-Guided Deep NeuralNetworks)在移动车辆荷载作用下的桥梁损伤识别方法，通过物理引导的深度神经网络方法，能有效的集成有限元模型和机器学习的优点，通过将数值模型的物理规律(如桥梁动态特性)纳入神经网络，可以指导从稀缺测量数据中学习损伤特征，利用经过学习的神经网络对目标桥梁的未知损伤进行精确分类，实现桥梁结构在移动车辆荷载作用下的损伤识。

发明内容

针对现有技术中移动车辆作用下传统车桥耦合振动系统在桥梁损伤识别中存在的建模误差和标记不足两大挑战等问题，本发明提出了一种基于物理引导的深度神经网络(PGDNN)在移动车辆荷载作用下桥梁损伤识别新方法。本发明根据车桥耦合振动理论，建立了车桥耦合振动系统的数值模型。本发明基于目标桥梁与数值模型之间的物理相似性，设计了一种新的跨物理数据域损失函数。该损失函数用于融合从物理域和数据域提取的特征，从而减少数值模型和目标桥梁之间的差异。此外，本发明在数值模型的物理指导下，PGDNN模型可以很好地学习识别目标桥梁未知损伤的测量数据，从而提高了车辆荷载引起的桥梁振动响应的损伤识别精度。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于PGDNN在移动车辆荷载作用下的桥梁损伤识别方法，其特点是包括以下步骤：

S1：根据车桥耦合振动理论和桥梁损伤和加速度之间的物理关系，建立了车桥耦合振动系统的数值模型。

S2：采用VGG16网络来提取加速度信号的损伤特征，采用短时傅立叶变换来表示桥梁加速度信号的时频图像。

S3：基于目标桥梁与数值模型之间的物理相似性，设计了跨物理数据域损失函数，该函数融合了数值模型和测量信号的损伤特征，用于评估数值模型和目标桥梁之间的差异。

S4：物理数据域损失函数将不同域的受损特征投影到同一特征空间(再生核希尔伯特空间)，并对齐同一类别的受损特征。