[发明专利]基于小波变换及残差网络的组合梁损伤识别方法及系统

权利要求书

1.一种基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，包括：

采集原始组合梁应变信号，对所述原始组合梁应变信号进行小波变换，得到应变信号时频图谱；

对所述应变信号时频图谱中的损伤类别进行标记获得样本标签，根据所述应变信号时频图谱和所述样本标签构建样本数据集；

构建深度残差网络模型，采用所述样本数据集对所述深度残差网络模型进行训练，得到组合梁损伤识别模型；

采集待检测组合梁应变信号，将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型，得到组合梁损伤类别识别结果。

2.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述采集原始组合梁应变信号，对所述原始组合梁应变信号进行小波变换，得到应变信号时频图谱，包括：

采集不同损伤类别的原始组合梁在激励下得到的所述原始组合梁应变信号；

对所述原始组合梁应变信号进行小波去噪，得到降噪应变信号；

对所述降噪应变信号进行小波时频变换，获取所述应变信号时频图谱。

3.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述对所述应变信号时频图谱中的损伤类别进行标记获得样本标签，根据所述应变信号时频图谱和所述样本标签构建样本数据集，包括：

将所述应变信号时频图谱划分为训练集、验证集和测试集；

对所述训练集和所述验证集中的损伤类别进行标记，得到所述样本标签；

基于所述样本标签将所述训练集、所述验证集和所述测试集进行分类，得到所述样本数据集；

其中，所述训练集用于训练模型，所述验证集用于判断模型是否收敛，所述测试集用于评估模型泛化能力。

4.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述构建深度残差网络模型，采用所述样本数据集对所述深度残差网络模型进行训练，得到组合梁损伤识别模型，包括：

确定具有预设网络结构的残差网络初始模型；

将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练，采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优，得到所述组合梁损伤识别模型。

5.根据权利要求4所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述残差网络初始模型包括7个卷积层、4层残差块和1个完全连接层；

所述7个卷积层和所述4层残差块之间包括1个最大池化层，所述4层残差块和所述1个完全连接层之间包括1个平均池化层。

6.根据权利要求4所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练，采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优，得到所述组合梁损伤识别模型，包括：

基于所述训练集，采用预设随机优化算法更新所述残差网络初始模型的参数，确定预设激活函数进行模型收敛，并采用交叉熵损失函数更新网络权重；

基于所述验证集，调整所述残差网络初始模型的训练批次、学习率和遍历次数，直至所述残差网络初始模型的性能达到最优，获得所述组合梁损伤识别模型。

7.根据权利要求6所述的基于小波变换及残差网络的组合梁损伤识别方法，其特征在于，所述基于所述验证集，调整所述残差网络初始模型的训练批次、学习率和遍历次数，直至所述残差网络初始模型的性能达到最优，获得所述组合梁损伤识别模型之后，还包括：

将所述样本数据集中的测试集输入至所述组合梁损伤识别模型，得到初始分类结果，并保存所述网络权重；

利用混淆矩阵展示所述初始分类结果，得到测试分类结果；

选取预设优化位置对应的优化测试集，由所述优化测试集获得所述优化后的测试分类结果。