基于机器学习算法建筑幕墙损伤状态定量识别方法及装置

1.本发明涉及建筑幕墙安全检测技术领域，特别是指一种基于机器学习算法建筑幕墙损伤状态定量识别方法及装置。


背景技术：

2.我国自上世纪80年代开始引入建筑幕墙，到21世纪初便已成为世界第一幕墙生产大国和使用大国，既有建筑幕墙当量巨大。随服役年限增加和受环境侵蚀影响，既有建筑幕墙安全隐患问题突出，幕墙面板脱落致灾事故屡见不鲜，成为影响社会民生的重要问题。
3.当前最新幕墙安全检测理论和技术研究方面，基于振动和热波的检测方法正在被广泛研究和推广。其中huang和pan等提出了基于固有频率、原点加速度频响函数相对累计误差、振动传递率等指标的检测方法，但该类方法仅为损伤趋势判断和定性评价的方法，依据所测指标的相对比较，简要识别出损伤较大的幕墙面板，未能实现损伤精确化和定量化的判定。此外，l i n等利用扫描式激光深度加热设备对隐框玻璃幕墙进行加热，以红外热像仪采集的损伤位置和非损伤位置的温度差异为依据，识别出结构胶损伤位置，但未涉及损伤程度评价，仅适用于结构胶连接的建筑幕墙。
4.且根据pan等的最新研究，基于固有频率的评价方法还具有对小损伤不敏感、测定精度不足、测定结果受损伤位置影响等缺陷。而基于原点加速度频响函数相对累计误差的检测方法，为接触式检测，无法实现远程测定。基于上述分析，针对当前幕墙检测技术落后，理论不完善的问题，本发明提出了一种基于机器学习算法的建筑幕墙损伤状态定量识别方法。


技术实现要素：

5.本发明针对现有幕墙检测技术落后，检测理论不完善的问题，提出了本发明。
6.为解决上述技术问题，本发明提供如下技术方案：
7.一方面，本发明提供了一种基于机器学习算法建筑幕墙损伤状态定量识别方法，该方法由电子设备实现，该方法包括：
8.s1、获取待测幕墙面板的动力响应信号。
9.s2、将动力响应信号输入到构建好的基于灰狼算法优化的支持向量机模型。
10.s3、根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果。
11.可选地，s2中的基于灰狼算法优化的支持向量机模型的构建过程包括：
12.s21、获取幕墙面板的动力响应信号；其中，动力响应信号包括多个不同损伤程度的工况下幕墙面板的板中的动力响应信号以及幕墙面板的4个边角的动力响应信号。
13.s22、基于动力响应信号，计算多个不同损伤程度的工况下幕墙面板的损伤识别指标；其中，损伤识别指标包括损伤程度识别指标相对固有频率、损伤位置识别指标相对振动方差以及损伤位置识别指标相对变异系数。
14.s23、基于损伤识别指标，构建智能分类数据库。
15.s24、基于智能分类数据库，构建灰狼算法优化的支持向量机模型。
16.可选地，s22中的损伤程度识别指标相对固有频率的计算方法，如下式(1)所示：
[0017][0018]
式中，xf为多个不同损伤程度的工况中任一损伤程度的工况对应的相对固有频率；为损伤工况f对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；为损伤程度为未损伤的工况对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；i为信号采集位置处的编号，取值范围为1,2,3,4,5。
[0019]
可选地，s22中的损伤位置识别指标相对振动方差的计算方法，如下式(2)所示：
[0020][0021]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对振动方差；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0022]
可选地，s22中的损伤位置识别指标相对变异系数的计算方法，如下式(3)所示：
[0023][0024]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对变异系数；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0025]
可选地，s21中的获取幕墙面板的动力响应信号包括：
[0026]
采用激光多普勒测振仪获取幕墙面板的动力响应信号。
[0027]
可选地，智能分类数据库，如下式(4)、(5)所示：
[0028][0029]
[y]＝[y1,y2,y3,y4]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]
式中，[x]表示多个不同损伤程度的工况中任一损伤程度的工况对应的特征向量，xf表示工况对应的相对固有频率；分别表示工况对应的幕墙面板的4个边角处的相对振动方差；分别表示工况对应的幕墙面板的4个边角处对应的相
对变异系数。
[0031]
[y]为智能分类数据库输出向量；y1、y2、y3、y4分别表征幕墙面板的4个边角处螺栓松动程度，取值为1,2,3,
…
,n。
[0032]
可选地，s3中的根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果包括：
[0033]
根据动力响应信号以及基于灰狼算法优化的支持向量机模型，生成各不同损伤程度的工况间的最大间隔超平面，根据最大间隔超平面判定待测幕墙面板的工况，得到待测幕墙面板的损伤状态的定量识别结果。
[0034]
另一方面，本发明提供了一种基于机器学习算法建筑幕墙损伤状态定量识别装置，该装置应用于实现基于机器学习算法的建筑幕墙损伤状态定量识别方法，该装置包括：
[0035]
获取模块，用于获取待测幕墙面板的动力响应信号。
[0036]
输入模块，用于将动力响应信号输入到构建好的基于灰狼算法优化的支持向量机模型。
[0037]
输出模块，用于根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果。
[0038]
可选地，输入模块，进一步用于：
[0039]
s21、获取幕墙面板的动力响应信号；其中，动力响应信号包括多个不同损伤程度的工况下幕墙面板的板中的动力响应信号以及幕墙面板的4个边角的动力响应信号。
[0040]
s22、基于动力响应信号，计算多个不同损伤程度的工况下幕墙面板的损伤识别指标；其中，损伤识别指标包括损伤程度识别指标相对固有频率、损伤位置识别指标相对振动方差以及损伤位置识别指标相对变异系数。
[0041]
s23、基于损伤识别指标，构建智能分类数据库。
[0042]
s24、基于智能分类数据库，构建灰狼算法优化的支持向量机模型。
[0043]
可选地，损伤程度识别指标相对固有频率的计算方法，如下式(1)所示：
[0044][0045]
式中，xf为多个不同损伤程度的工况中任一损伤程度的工况对应的相对固有频率；为损伤工况f对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；为损伤程度为未损伤的工况对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；i为信号采集位置处的编号，取值范围为1,2,3,4,5。
[0046]
可选地，损伤位置识别指标相对振动方差的计算方法，如下式(2)所示：
[0047][0048]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对振动方差；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均
值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0049]
可选地，损伤位置识别指标相对变异系数的计算方法，如下式(3)所示：
[0050][0051]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对变异系数；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0052]
可选地，输入模块，进一步用于：
[0053]
采用激光多普勒测振仪获取幕墙面板的动力响应信号。
[0054]
可选地，智能分类数据库，如下式(4)、(5)所示：
[0055][0056]
[y]＝[y1,y2,y3,y4]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0057]
式中，[x]表示多个不同损伤程度的工况中任一损伤程度的工况对应的特征向量，xf表示工况对应的相对固有频率；分别表示工况对应的幕墙面板的4个边角处的相对振动方差；分别表示工况对应的幕墙面板的4个边角处对应的相对变异系数。
[0058]
[y]为智能分类数据库输出向量；y1、y2、y3、y4分别表征幕墙面板的4个边角处螺栓松动程度，取值为1,2,3,
…
,n。
[0059]
可选地，输出模块，进一步用于：
[0060]
根据动力响应信号以及基于灰狼算法优化的支持向量机模型，生成各不同损伤程度的工况间的最大间隔超平面，根据最大间隔超平面判定待测幕墙面板的工况，得到待测幕墙面板的损伤状态的定量识别结果。
[0061]
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于机器学习算法建筑幕墙损伤状态定量识别方法。
[0062]
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于机器学习算法建筑幕墙损伤状态定量识别方法。
[0063]
本发明实施例提供的技术方案带来的有益效果至少包括：
[0064]
上述方案中，克服了现有检测技术无法实现建筑幕墙损伤程度和损伤位置的同步识别以及无法实现损伤状态定量识别的缺陷；并结合激光测振技术，实现了建筑幕墙损伤状态远程、无损、精准、数字化和智能化的定量识别。可广泛应用于螺栓或类似构件连接的
建筑外挂结构，如点支式玻璃幕墙、石材幕墙、室内屋顶吊板和建筑物金属外挂板件等。
附图说明
[0065]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0066]
图1是本发明实施例提供的基于机器学习算法建筑幕墙损伤状态定量识别方法流程示意图；
[0067]
图2是本发明面板激振和面板动力响应信号采集示意图；
[0068]
图3是本发明部分工况下相对固有频率随损伤加剧的变化趋势图；
[0069]
图4是本发明部分工况下4个边角处获取的相对振动方差变化趋势图；
[0070]
图5是本发明部分工况下4个边角处获取的相对变异系数变化趋势图；
[0071]
图6是本发明支持向量机模型原理示意图(一)；
[0072]
图7是本发明支持向量机模型原理示意图(二)；
[0073]
图8是本发明基于灰狼算法优化支持向量机模型的流程示意图；
[0074]
图9是本发明基于灰狼算法优化支持向量机模型的效果图；
[0075]
图10是本发明实施例提供的基于机器学习算法建筑幕墙损伤状态定量识别装置框图；
[0076]
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0077]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0078]
如图1所示，本发明实施例提供了一种基于机器学习算法建筑幕墙损伤状态定量识别方法，该方法可以由电子设备实现。如图1所示的基于机器学习算法建筑幕墙损伤状态定量识别方法流程图，该方法的处理流程可以包括如下的步骤：
[0079]
s1、获取待测幕墙面板的动力响应信号。
[0080]
一种可行的实施方式中，现场采集待测幕墙面板板中和4个边角的动力响应信号，可根据具体条件选择普通橡胶锤、可发射橡胶子弹的无人机或环境激励对面板进行激振。其中，待测面板要求与获取数据库时所用面板规格一致，每次激振位置固定为面板中部，获取并计算该面板对应的损伤识别指标。
[0081]
可选地，s2中的基于灰狼算法优化的支持向量机模型的构建过程包括：
[0082]
s21、获取幕墙面板的动力响应信号。
[0083]
其中，动力响应信号包括多个不同损伤程度的工况下幕墙面板的板中的动力响应信号以及幕墙面板的4个边角的动力响应信号。
[0084]
可选地，s21中的获取幕墙面板的动力响应信号包括：
[0085]
采用激光多普勒测振仪获取幕墙面板的动力响应信号。
[0086]
一种可行的实施方式中，不同损伤程度的工况是通过现场松动螺栓来实现，经由
螺栓松动个数和松动程度的相互组合，模拟现实条件下的真实工况，以多工况模拟所获数据为基准，分析待测面板近似对应工况，进而实现安全评价。动力响应信号为人工激励下面板的振动速度信号，激励位置恒定为面板中部。
[0087]
进一步地，配制ldv(laser doppler vibrometer,激光多普勒测振仪)为信号采集装置，并选定便于现场手动实验的幕墙面板进行损伤工况模拟。幕墙面板损伤模拟可由松动螺栓实现，而螺栓松动程度可通过松动圈数或是螺栓旋出长度进行量化。根据螺栓不同松动程度，划分螺栓的损伤等级为：未损伤、2级损伤、3级损伤、
……
，n级损伤；松动程度划分越细，则最终待测幕墙面板的损伤状态评定越精确。经由螺栓松动个数和松动程度的相互组合，尽可能多的模拟现实条件下的真实工况，并依据现实条件，排除不符合实际的损伤工况。此外，激振设备可用普通橡胶锤或其它设备，激振位置恒定为面板中部。
[0088]
举例来说，如图2所示，基于由螺栓连接的点支式玻璃幕墙的室内试验，进行基于支持向量机的建筑幕墙损伤状态定量识别方法研究和验证。选取尺寸为60cmx52cmx6mm的普通钢化玻璃和普通铝合金螺栓进行试验。螺帽直径为1.6cm，螺杆直径为0.8cm，螺帽厚度为0.4cm，螺杆长度为1.8cm；试验示意图如图3所示。试验过程中，螺栓松动等级划分为：1-未损伤，将螺栓拧至与玻璃面板接触；2-2级损伤，将螺栓向外拧出1cm；3-3级损伤，将螺栓完全拧出。根据现实条件排除不切实际的工况后，玻璃面板损伤工况总计51种。每种工况下，均利用橡胶锤对面板中心进行激振，并设定多普勒激光测振仪采样频率为1000hz，采样时长3.4min，仪器距待测面板5m。分别获取面板中心、面板4个边角共计5个点位的数据，此为一组数据；而每个点位均采集激振3次下的数据，故本实验中每个工况处均获取3组动力响应信号。
[0089]
s22、基于动力响应信号，计算多个不同损伤程度的工况下幕墙面板的损伤识别指标。
[0090]
其中，损伤识别指标包括损伤程度识别指标相对固有频率、损伤位置识别指标相对振动方差以及损伤位置识别指标相对变异系数。
[0091]
可选地，s22中的损伤程度识别指标相对固有频率的计算方法，如下式(1)所示：
[0092][0093]
式中，xf为某损伤工况对应的相对固有频率；为该损伤工况对应的板中和4个边角采集信号计算的平均固有频率；为未损伤工况对应的板中和4个边角采集信号计算的平均固有频率；i为信号采集位置处的编号，取值范围为1,2,3,4,5。
[0094]
表征幕墙面板损伤程度的指标包括固有频率、原点加速度频响函数累计差异值和振动传递率等。一种可行的实施方式中，仅以固有频率进行分析。固有频率可表征幕墙面板固有振动属性随损伤变化的趋势。为提高指标准确性，采用板中、4个边角共5个点位处的数据求取固有频率的平均值，并为避免各类指标量纲和大小维度不同而导致最终识别效果不佳，求取其相对无损伤情况下的相对值。
[0095]
可选地，s22中的损伤位置识别指标相对振动方差的计算方法，如下式(2)所示：
[0096][0097]
可选地，s22中的损伤位置识别指标相对变异系数的计算方法，如下式(3)所示：
[0098][0099]
式中，为某工况面板第a个位置的相对振动方差；为某工况面板第a个位置的相对变异系数；为第a个位置的绝对均值，为第a个位置在i时刻面板的振动速度。a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0100]
建筑幕墙面板损伤位置的识别指标包括模态曲率、相对振动方差和相对变异系数等。一种可行的实施方式中，仅以相对振动方差和相对变异系数进行分析。采用某边角数据采集点的振动方差或是变异系数占4个边角振动方差或变异系数总和的比例来描述损伤位置的分布。
[0101]
其中，振动方差和变异系数均为时域指标。振动方差可表示信号混乱和离散程度，变异系数可表征振动信号中冲击信号占比的多少，占比越大变异系数越大。相对于固有频率等模态参数指标和频域指标，时域指标对结构损伤更为敏感，在小损伤时即会产生突变。通过幕墙面板4个边角位置上相对振动方差或相对变异系数的相互对比，可区分损伤位置。
[0102]
举例来说，如图3所示为部分工况相对固有频率随损伤加剧变化趋势图。图3中，设定面板左上、右上、右下和左下角的螺栓分别标记为a、b、c、d；本实施例中，螺栓松动程度设定为：a1为未损伤，螺栓与面板刚好接触；a2为2级损伤，螺栓拧出1cm；a3为3级损伤，螺栓完全拧出；其余位置类似。
[0103]
由图3可知，本实施例中，当a或b处螺栓出现2级损伤时，固有频率与未损伤工况基本一致，即固有频率无法识别较小损伤；同时，由a1b2c2d2和a2b1c2d2工况、a3b2c2d2和a2b2c2d3工况以及a1b3c3d1和a1b1c3d3工况可知，当螺栓松动个数和松动程度都一致时，固有频率大小受损伤位置影响较大，不能准确区分此类工况，易导致评价幕墙面板安全状态时出现误判。综上说明本实施例中固有频率数据变化趋势与huang和pan等研究结果一致，仅依靠固有频率进行幕墙面板安全状态的评价存在很大缺陷。
[0104]
由图4-图5所示，对比a1b1c1d1和a2b1c1d1、a3b1c1d1和a3b2c1d1等工况可知，基于相对振动方差和相对变异系数可以识别出幕墙面板微损伤，也能区分每个工况中4个螺栓的相对损伤程度，实现混淆工况的划分。其中相对振动方差对微损伤最为敏感，但稳定性一般，而相对变异系数对微损伤敏感性一般，但稳定性较好；经由两个指标的结合可提高各工况损伤位置划分的准确率。
[0105]
s23、基于损伤识别指标，构建智能分类数据库。
[0106]
可选地，基于可表征幕墙面板固有振动属性随损伤加剧而减小趋势的固有频率、可表征面板时程信号随损伤加大其混乱和离散程度加剧的振动方差以及可表征面板时程
信号随损伤加大冲击信号成分占比增大的变异系数，构建多源信息融合的智能分类数据库。智能分类数据库中，以损伤识别指标为各工况的特征向量，各位置螺栓的损伤程度为各工况所对应的标签，如下式(4)、(5)所示：
[0107][0108]
式中，[x]表示某工况对应的特征向量，xf表示该工况对应的相对固有频率；分别表示该工况4个边角处对应的相对振动方差；分别表示该工况4个边角处对应的相对变异系数。
[0109]
[y]＝[y1,y2,y3,y4]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0110]
[y]为各工况对应标签，即为模型输出向量；y1,y2,y3,y4分别表征4个边角处螺栓松动程度，取值为1,2,3,
…
,n，与螺栓松动程度对应关系为1-未损伤，2-2级损伤，3-3级损伤，
……
，n-n级损伤。
[0111]
举例来说，智能分类数据库中总计包含153组数据，每个工况对应3组数据；每组数据中包含9个特征值，分别为相对固有频率，4个边角处的相对振动方差和相对变异系数；每组数据中又包含4个标签，取值为1或2或3。
[0112]
s24、基于智能分类数据库，构建灰狼算法优化的支持向量机模型。
[0113]
机器学习算法中分类算法包括支持向量机、极限梯度提升机、随机森林算法等，一种可行的实施方式中，仅以基于gwo(grey wolf optimizer，灰狼算法)优化的svm(support vector machines，支持向量机)模型进行分析。基于该模型分析各工况特征向量和输出向量之间的相互关系，获取各工况间的最大间隔超平面。通过该方法，将建筑幕墙损伤识别问题转化为现实中可能存在的各个工况的分类识别问题。通过对真实条件下面板对应工况的分类识别，评价面板各螺栓松动程度，进而实现面板损伤状态的定量识别。
[0114]
其中，因本实施例中智能识别模型的输出为4个螺栓的损伤程度，为多标签分类问题，故将基于binary-svm构建多标签分类模型，具体为基于数据集分解方法，将此多标签分类问题分解为多个单标签二分类问题进行计算，而后将识别结果进行组合，最终输出该多标签分类问题结果[y]。
[0115]
同时，鉴于面板损伤状态与各损伤识别指标多为非线性对应关系，故本实施例中的模型核函数选用可兼顾识别准确率和模型外推效果的径向基核函数，其表达式如式(6)所示：
[0116][0117]
式中，x为一个待分类的向量，本实施例中为某工况对应的输入特征向量；xc为径向基核函数的中心值；‖x-xc‖2为x和xc差向量的2范数的平方；σ为缩放比例因子。
[0118]
进一步地，设定智能识别模型的相关参数，并基于所述数据库对模型进行训练。
[0119]
一种可行的实施方式中，设定gwo-svm模型中，优化算法部分，狼群数量为20，迭代次数为100次，采用5折交叉验证，惩罚参数c的取值范围为[0.001,1000],参数g的取值范围为[0.001,1000]；智能识别部分，基于binary-svm构建多标签分类模型，核函数为径向基核函数；随机选取153组数据中的任意102组对模型进行训练，剩下51组作为测试集。
[0120]
本实施例中，svm模型原理示意图如图6和图7所示，通过径向基核函数将原线性不
可分的问题映射到高维度的空间，并在高维空间中找到最优分类超平面将原线性不可分的数据进行划分。该模型基于结构风险最小化原则，求取当前样本下的最优解，可有效解决小样本、高维度、非线性的模式识别问题，适合于幕墙损伤检测领域。算法优化流程如图8所示，优化结果如图9所示。本实施例实验中，平均优化迭代次数为5次，模型平均训练时长为5.68s。可知基于灰狼算法优化的支持向量机模型可显著提升识别准确率，并大幅缩短计算时长。
[0121]
表1为实验中各种指标组合条件下的识别准确率对比。由表1可知，经由相对固有频率、相对振动方差和相对变异系数组成的损伤识别指标在此智能识别模型中准确率最高，可达92.86％，而仅由相对固有频率或局部指标构成的识别模型，准确率不足60％。综上可知，经由3种指标结合，才可达到最佳识别效果。
[0122]
表1
[0123][0124][0125]
s3、根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果。
[0126]
可选地，s3中的根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果包括：
[0127]
根据动力响应信号以及基于灰狼算法优化的支持向量机模型，生成多个不同损伤程度的工况的各工况间的最大间隔超平面，根据最大间隔超平面判定待测幕墙面板的工况，得到待测幕墙面板的损伤状态的定量识别结果。
[0128]
一种可行的实施方式中，获取并计算该面板对应的损伤识别指标，基于已训练好的智能识别模型生成的各工况间的最大间隔超平面，智能判定该面板可近似对应的具体工况，识别各螺栓的损伤程度，进而实现幕墙损伤状态的定量识别。
[0129]
本发明实施例中，克服了现有检测技术无法实现建筑幕墙损伤程度和损伤位置的同步识别以及无法实现损伤状态定量识别的缺陷；并结合激光测振技术，实现了建筑幕墙损伤状态远程、无损、精准、数字化和智能化的定量识别。可广泛应用于螺栓和类似构件连
接的建筑外挂结构，如点支式玻璃幕墙、石材幕墙、室内屋顶吊板和建筑物金属外挂板件等。
[0130]
如图10所示，本发明实施例提供了一种基于机器学习算法建筑幕墙损伤状态定量识别装置1000，该装置1000应用于实现基于机器学习算法建筑幕墙损伤状态定量识别方法，该装置1000包括：
[0131]
获取模块1010，用于获取待测幕墙面板的动力响应信号。
[0132]
输入模块1020，用于将动力响应信号输入到构建好的基于灰狼算法优化的支持向量机模型。
[0133]
输出模块1030，用于根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果。
[0134]
可选地，输入模块1020，进一步用于：
[0135]
s21、获取幕墙面板的动力响应信号；其中，动力响应信号包括多个不同损伤程度的工况下幕墙面板的板中的动力响应信号以及幕墙面板的4个边角的动力响应信号。
[0136]
s22、基于动力响应信号，计算多个不同损伤程度的工况下幕墙面板的损伤识别指标；其中，损伤识别指标包括损伤程度识别指标相对固有频率、损伤位置识别指标相对振动方差以及损伤位置识别指标相对变异系数。
[0137]
s23、基于损伤识别指标，构建智能分类数据库。
[0138]
s24、基于智能分类数据库，构建灰狼算法优化的支持向量机模型。
[0139]
可选地，损伤程度识别指标相对固有频率的计算方法，如下式(1)所示：
[0140][0141]
式中，xf为多个不同损伤程度的工况中任一损伤程度的工况对应的相对固有频率；为工况f对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；为损伤程度为未损伤的工况对应的幕墙面板的板中和幕墙面板的4个边角的采集信号计算的平均固有频率；i为信号采集位置处的编号，取值范围为1,2,3,4,5。
[0142]
可选地，损伤位置识别指标相对振动方差的计算方法，如下式(2)所示：
[0143][0144]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对振动方差；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0145]
可选地，损伤位置识别指标相对变异系数的计算方法，如下式(3)所示：
[0146][0147]
式中，为多个不同损伤程度的工况中任一损伤程度的工况幕墙面板第a个位置的相对变异系数；n为采集信号样本数；为第a个位置在i时刻幕墙面板的振动速度；为第a个位置的绝对均值，a为幕墙面板的4个边角位置编号，取值为1,2,3,4；n为采集的振动速度时程信号的样本点数。
[0148]
可选地，输入模块1020，进一步用于：
[0149]
采用激光多普勒测振仪获取幕墙面板的动力响应信号。
[0150]
可选地，智能分类数据库，如下式(4)、(5)所示：
[0151][0152]
[y]＝[y1,y2,y3,y4]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0153]
式中，[x]表示多个不同损伤程度的工况中任一损伤程度的工况对应的特征向量，xf表示工况对应的相对固有频率；分别表示工况对应的幕墙面板的4个边角处的相对振动方差；分别表示工况对应的幕墙面板的4个边角处对应的相对变异系数。
[0154]
[y]为智能分类数据库输出向量；y1、y2、y3、y4分别表征幕墙面板的4个边角处螺栓松动程度，取值为1,2,3,
…
,n。
[0155]
可选地，输出模块1030，进一步用于：
[0156]
根据动力响应信号以及基于灰狼算法优化的支持向量机模型，生成各不同损伤程度的工况间的最大间隔超平面，根据最大间隔超平面判定待测幕墙面板的工况，得到待测幕墙面板的损伤状态的定量识别结果。
[0157]
本发明实施例中，克服了现有检测技术无法实现建筑幕墙损伤程度和损伤位置的同步识别以及无法实现损伤状态定量识别的缺陷；并结合激光测振技术，实现了建筑幕墙损伤状态远程、无损、精准、数字化和智能化的定量识别。可广泛应用于螺栓和类似构件连接的建筑外挂结构，如点支式玻璃幕墙、石材幕墙、室内屋顶吊板和建筑物金属外挂板件等。
[0158]
图11是本发明实施例提供的一种电子设备1100的结构示意图，该电子设备1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)1101和一个或一个以上的存储器1102，其中，存储器1102中存储有至少一条指令，至少一条指令由处理器1101加载并执行以实现下述基于机器学习算法建筑幕墙损伤状态定量识别方法：
[0159]
s1、获取待测幕墙面板的动力响应信号。
[0160]
s2、将动力响应信号输入到构建好的基于灰狼算法优化的支持向量机模型。
[0161]
s3、根据动力响应信号以及基于灰狼算法优化的支持向量机模型，得到待测幕墙面板的损伤状态的定量识别结果。
[0162]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于机器学习算法建筑幕墙损伤状态定量识别方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0163]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0164]
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。