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与流程

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.本发明提供了如下的技术方案。
7.一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：
8.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；
9.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；
10.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。
11.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：
12.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；
13.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；
14.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；
15.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。
16.优选地，所述振动响应数据包括加速度和位移，记为：
17.xi＝{x(tn)}，i＝1,2,...k，n＝1,2,...,n
18.其中，k为数据采集点个数，n为响应数据的长度。
19.优选地，所述振动传递率函数为：
20.yi＝{y(fm)}，m＝1,2,...,m
21.其中，m为传递率数据长度；
22.传递率函数矩阵为：
23.yj＝{y1,y2,...,yi}
24.其中，j表示第j种损伤状况；
25.所述振动传递率函数的计算，包括：
[0026][0027]
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(tn)的傅里叶变化和它的共轭。
[0028]
优选地，所述传递率函数矩阵转换的图像形式为等高线图。
[0029]
优选地，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。
[0030]
优选地，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：
[0031]
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；
[0032]
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；
[0033]
稠密层的网络计算可表示为：
[0034]
x
l
＝h
l
([x0,x1,...,x
l-1
])
[0035]
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；
[0036]
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；
[0037]
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；
[0038]
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；
[0039]
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；
[0040]
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。
[0041]
本发明的有益效果：
[0042]
(1)本发明采用传递率数据代替传统的时域、频域数据，构建海量传递率数据集，将信号转换为图像，这样可以充分利用优秀的机器视觉学习算法。
[0043]
(2)本发明利用胶囊网络中的向量神经元代替传统卷积神经网络中的标量神经元，可以有效兼顾数据内部固有的空间关系和语义信息，传递率信号中所蕴含的姿态信息能够得到充分利用，提高网络的准确性。
[0044]
(3)本发明改进了标准胶囊网络的特征提取层，采用稠密块(dense block)进行特征提取，相较于标准胶囊网络中仅用单层卷积核进行特征提取，稠密块可以将所有层直接连接到彼此，确保了网络中各层之间最大的信息流，并且去掉了稠密块中原有的池化操作，避免了信息的丢失，能够提取数据集中更多的关键信息；
[0045]
(4)引入卷积注意力模块，卷积注意力模块会沿着两个独立的维度：通道和空间，依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化，提高有用特征的提取。
附图说明
[0046]
图1是本发明实施例的方法流程图；
[0047]
图2是本发明实施例的结构损伤定位和量化的神经网络框架示意图；
[0048]
图3是本发明实施例的单轨贯通式钢桁架桥模型图；
[0049]
图4是本发明实施例的一个原始量测结构加速度响应信号；
[0050]
图5是本发明实施例的某结构单元损伤时所有测点的传递率函数图；
[0051]
图6是本发明实施例的传递率函数转化的等高线图；
[0052]
图7是本发明实施例的网络模型对结构损伤的定位和量化结果。
具体实施方式
[0053]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0054]
实施例1
[0055]
本发明的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，如图1-7所示，包括以下步骤：
[0056]
s1：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；振动响应数据包括加速度和位移，记为：xi＝{x(tn)}，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。
[0057]
s2：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，传递率函数矩阵转换的图像形式为等高线图。其中，振动传递率函数为：yi＝{y(fm)}，m＝1,2,...,m；其中，m为传递率数据长度；传递率函数矩阵为：yj＝{y1,y2,...,yi}；其中，j表示第j种损伤状况；振动传递率函数的计算，包括：
[0058][0059]
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(tn)的傅里叶变化和它的共轭。
[0060]
s3：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；标签按示例进行设置，具体为：
[0061]
label＝[0,0,0,15,0,0,30,0,0,0,0,0]
[0062]
该标签表示第4个单元损伤15％，第7个单元损伤30％，共12个单元参与损伤诊断。
[0063]
s4：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；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。
[0064]
s5：将待预测桥梁结构的振动响应数据，通过s2转化成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。
[0065]
具体的：
[0066]
s5.1：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，在这一步可以调节特征图的尺寸大小及确定dense block稠密块中的增长率。稠密层的网络计算可表示为：
[0067]
x
l
＝h
l
([x0,x1,...,x
l-1
])
[0068]
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；
[0069]
s5.2：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。
[0070]
s5.3：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：
[0071]
mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))
[0072]ms
(f)＝σ(f
7*7
([avgpool(f),maxpool(f)]))
[0073]
汇总空间特征信息，并输出空间特征图。
[0074]
s5.4：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。
[0075]
s5.5：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。
[0076]
s5.6：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，制定相应的维修决策。
[0077]
本实施例中：
[0078]
为验证本发明一种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的有效性，给出一实施例进行说明。
[0079]
在本实施例中，根据某实际桥梁的结构参数建立有限元模型，选择提取桥梁结构的加速度响应作为振动分析数据，并根据s2、s3基于振动传递大数据的传递率图像数据库进行分析。
[0080]
参照图1，在本实施例中，使用一个单轨贯通式钢桁架桥为分析对象，钢桁架桥由两个相距5.75m，高11m的平行三角形桁架组成，其跨度为64m，具体如图3所示。采用1台df4d机车和4台c80拖车组成的移动载荷以100km/h的速度行驶模拟列车实际运行的振动荷载情况，提取竖直方向加速度响应数据，采样频率为200hz，提取的加速度响应时程曲线如图4所示，根据上述传递率计算公式计算传递率函数，如图5所示，并转换为相应的高线图，如6所示。
[0081]
在本实施例中，建立单损伤，二杆件损伤和三杆件损伤三种数据集，以刚度折减的形式模拟杆件损伤，共得到图像8640张，并对所有图像设定对应的损伤标签，数据集按0.85:0.15比例划分训练集和测试集，训练次数设置为50次。
[0082]
训练结束后，使用测试集测试网络模型回归效果，网络对测试集结果拟合效果精度高，平均绝对百分比误差在3％以内，能够很好的预测出结构的损伤程度。图7给出了三损伤的预测值，通过图7可以看出，所提出的桥梁智能损伤诊断系统很好的预测出了结构的损伤构件和损伤程度量值。
[0083]
最后根据结构的损伤程度，给出合适的维修决策，例如当损伤程度大于某一限定值时，可以考虑构件的更换。
[0084]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。