一种基于三级数据融合的大型结构损伤识别方法与流程

本发明涉及一种传感器技术，具体是一种基于三级数据融合的大型结构损伤识别方法。

背景技术：

交通运输枢纽的桥梁、城市象征的超高层建筑、市民生活休闲娱乐的大型体育中心、艺术中心等结构的健康安全与人民群众密切相关。然而由于这些结构体积庞大、结构复杂、使用年限长、占地面积广，如果不能有效地对其实施监测保护和健康诊断，将会产生许多不确定的因素。近些年来，这些土木结构在服役期间受到环境或人为因素的影响，破坏坍塌事故屡有发生，造成了严重的社会影响。

虽然世界各国很早就开始关注结构的损伤情况，但由于传统的损伤识别技术落后，很难全面的对结构的损伤状况进行识别。21世纪初，全球范围内的在役工程结构进入了修复期。由于重新建造桥梁、大坝等大型土木结构需要花费非常庞大的财政资金，因此，全世界各国都将旧的土木结构视为宝贵的财富，希望通过对其全方位的诊断评估并进行针对性的修复加固以延长其使用寿命，这将节约大量的人力物力。无线传感器网络技术具有十分良好的前景与重要的研究意义，对大型结构布设大量的无线传感器节点，节点之间通过zigbee通讯协议进行数据传输，这样既整洁美观又节约了电缆的费用，但同时我们也该看到，大量传感器的布设同样也带来了另一个问题，如何从大量冗余数据中准确实现对结构损伤的识别，这就需要另一项技术也是本文的研究重点一数据融合技术。

技术实现要素：

本发明的目的在于提供一种基于三级数据融合的大型结构损伤识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于三级数据融合的大型结构损伤识别方法，包含以下步骤:

a、采集待检测大型结构的位移和加速度信息并进行数据处理；

b、采用三级数据融合算法对步骤a中采集的信息进行融合；

c、对步骤b得出的结果进行识别，通过数值仿真得出检测结果。

作为本发明的进一步技术方案：所述三级数据融合算法包括数据级融合、特征级融合和决策级融合。

作为本发明的进一步技术方案：所述数据级融合采用一致性融合算法，首先将单个传感器采集得到的若干组数据剔除可疑数据，再用一致性融合算法进行融合处理，得到更为准确的数据。

作为本发明的进一步技术方案：所述特征级融合采用acga-bp神经网络作为模式识别器，分别以频率和位移作为输入参数，实现结构的初步识别。

作为本发明的进一步技术方案：所述决策级融合采用d-s证据理论，分析讨论了采用d-s证据理论对两种初步识别结果进行决策级融合相比较于将频率和位移混合作为神经网络输入参数进行损伤识别的优越性。

作为本发明的进一步技术方案：所述步骤a包括以下步骤：a、信息获取，根据研究对象的实际情况采用各种不同的传感器，并将传感器获取的信号经过a/d转化后传入计算机系统，b、数据预处理，使用滤波或野点剔除方法进行数据的预处理，c、特征提取，将传感器采集的信号进行特征提取，提取的特征是有明确物理意义的物理量或没有任何物理意义的统计量及其变形。

与现有技术相比，本发明的有益效果是：本发明设计一种三级融合策略共同完成对结构的损伤识别，首先使用一致性融合算法对单个传感器采集的信息进行数据级融合，提高数据采集的精度，降低节点的数据传输量;再使用acga-bp神经网络分别以静态测量数据的位移和动态测量数据的固有频率作为网络的输入参数进行初步损伤识别;最后利用d-s证据理论对基于静态测量数据的识别结果和基于动态测量数据的识别结果进行再次融合，使得最终识别结果更加准确。

附图说明

图1为融合策略结构图。

图2为数据融合结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，一种基于三级数据融合的大型结构损伤识别方法，包含以下步骤:

a、采集待检测大型结构的位移和加速度信息并进行数据处理；

b、采用三级数据融合算法对步骤a中采集的信息进行融合；

c、对步骤b得出的结果进行识别，通过数值仿真得出检测结果。

三级数据融合算法包括数据级融合、特征级融合和决策级融合。

数据级融合采用一致性融合算法，首先将单个传感器采集得到的若干组数据剔除可疑数据，再用一致性融合算法进行融合处理，得到更为准确的数据。

特征级融合采用acga-bp神经网络作为模式识别器，分别以频率和位移作为输入参数，实现结构的初步识别。

决策级融合采用d-s证据理论，分析讨论了采用d-s证据理论对两种初步识别结果进行决策级融合相比较于将频率和位移混合作为神经网络输入参数进行损伤识别的优越性。

步骤a包括以下步骤：a、信息获取，根据研究对象的实际情况采用各种不同的传感器，并将传感器获取的信号经过a/d转化后传入计算机系统，b、数据预处理，使用滤波或野点剔除方法进行数据的预处理，c、特征提取，将传感器采集的信号进行特征提取，提取的特征是有明确物理意义的物理量或没有任何物理意义的统计量及其变形。

本发明的工作原理是：目前大型结构损伤识别面临着以下几个困难:(1)对于结构某种损伤状况，单一损伤识别手段很难准确识别，而采用多种不同的识别方法往往得到的结果不相一致，因此难以从多种结果中得到准确的识别信息。(2)对于大型结构的监测系统往往获取多种不同的特征信息，利用不同的参数进行损伤识别得到的结果也不一致。为了解决以上问题，本文依据数据融合理论设计了一种三级融合策略。在数据级采用一致性融合的方法，降低偶然因素造成的误差;在特征级采用acga-bp神经网络进行融合;在决策级采用d-s证据理论进行最终融合。为了提高结果的准确性，本文采用静态测量数据与动态测量数据相结合的方法共同作为结构损伤的判断依据，融合策略结构图如图1所示。

首先由传感器采集各项数据信息，在对单个传感器采集得到一组数据进行数据融合前，需要先剔除可疑数据，而如何确定数据是否满足要求，需要设定一个阂值，当数据大于这个阂值时就可以认为这个数据为可疑数据，本文选择格鲁布斯准则判断方法来区分可疑数据。

由于传感器采集得到数据容易受环境噪声以及偶然因素的影响，导致测量数据不准确，因此将单个传感器采集得到的同类信息先进行可疑数据剔除再采用一致性融合算法进行数据级融合，这种数据级融合可以有效地提高传感器采集得到数据的准确性，并且减少了终端节点的数据传输量，降低了节点功耗。

特征级融合选择acga-bp神经网络来完成，bp神经网络具有良好的识别精度，但其收敛速度慢，容易陷入局部最优值。因此这里采用改进的自适应协同进化遗传算法对神经网络的权值和阂值进行全局搜索。从而提高了网络的精度和训练的时间。分别以基于动态测量数据的固有频率和基于静态测量数据的位移作为网络的输入参数，得到对研究对象的初步损伤识别结果。

利用acga-bp网络得到的初步损伤识别结果在识别精度上仍然无法做到高度准确，无论是基于静态测量数据的识别方法还是基于动态测量数据的识别方法都有自己的局限性，当识别参数存在噪声时，就会出现不同程度的误判，而本文所采用的d-s证据理论作为决策级融合方案可以有效地降低误判发生的可能性，从而大大增加了最终识别结果的准确性。

bp神经网络的训练是以梯度降低的方法修正权值和阂值，这样容易陷入局部最优，影响算法的整体性能;伴随着bp神经网络的广泛使用，传统的运用bp网络解决问题的弊端也在显现，针对bp网络的缺点，很多学者提出了各种改进策略，如自适应学习速率法、共扼梯度法等等，这些方法一定程度上改善了bp神经网络的性能，但仍然无法从根本上解决bp网络权值和阂值训练问题。而遗传算法具有较强的全局搜索能力，但其局部搜索能力不足。所以采用遗传算法对bp网络的权值和阂值进行求解，两种算法相结合，从而使得整个网络性能更加优越。

利用遗传算法对bp神经网络进行优化主要分为三个部分:首先确定神经网络的结构，进而确定遗传算法个体信息。其次利用自适应协同进化遗传算法优化bp网络的权值和阂值，个体的适应度值由适应度函数计算得到，遗传算法通过遗传操作找到最优个体。最后，将最优个体中的权值和阂值信息作为网络的初始值。