一种基于应变场信息的地铁枕梁损伤识别方法

1.本发明涉及轨道交通损伤识别技术领域，特别地，涉及一种基于应变场信息的地铁枕梁损伤识别方法。


背景技术：

2.基于应变的结构健康监测技术被广泛地用于交通领域，现有的应变损伤识别方法存在过程复杂、状态评估滞后、智能化程度低等缺陷，亟需发展先进的智能识别技术。近年来，由于传感器的成本降低，数据传输技术的蓬勃发展，广泛部署的传感器网络和互联网连接成为了可能，这使得数据驱动的健康监测越来越受欢迎。与此同时，计算机硬件技术的迅猛发展，给复杂问题提供了强大的算力支持，深度学习在2010年前后成为了研究热点之一。深度学习方法给这些大数据间的关系映射提供了强有力的工具。
3.以某地铁枕梁作为工程研究背景，传统方法中由人工设定指标、处理信号、统计数据、得到损伤信息的方式。但是，该传统方法从应变信息到损伤信息的转化需要经历复杂的过程和人工操作识别等等，费时费钱费力，在经济性和准确性方面远远满足不了实时监测的要求。其次，针对地铁枕梁这一特定目标的损伤检测方面，在损伤检测方法和检测速度方面进展很大，但是智能化程度不够，在机器学习、人工智能等新兴方法并未广泛运用到其中，与目前的大数据发展趋势相悖。现有部分设计能够实时检测结构损伤的发生，根据所提出的损伤指标，进行损伤定位、量化和图像处理。但上述研究在获得结构的响应信号之后，在数据处理阶段还是需要依靠人为给定的损伤指标进行计算，再进行损伤诊断，这种方式在效率、智能化方面都有待提高。
4.因此，业内急需一种地铁枕梁损伤识别方法的新型技术。


技术实现要素：

5.为解决上述现有技术中存在的问题，本发明提供了一种基于应变场信息的地铁枕梁损伤识别方法。本发明以地铁枕梁为研究对象，基于地铁枕梁应变场信息，建立了端到端的损伤识别网络模型以及相应的损伤识别方法，可大幅提高损伤识别效率，降低成本。
6.为实现上述目的，本发明提供了一种基于应变场信息的地铁枕梁损伤识别方法，包括以下步骤：
7.获取包含地铁枕梁每个单元在x、y和xy三个方向的应变场数据；所述应变场数据为二维特征矩阵；
8.对所述应变场数据进行重组，得到重组后的应变场数据；所述重组后的应变场数据为三维应变场特征矩阵，重组后单个方向应变场数据包括高与宽，且应变场方向数等于在网络模型中的通道方向数；
9.将每个单元在x方向的应变场数据作为输入信息输入至构建的神经网络模型中，先进行编码处理，利用下采样模块将数据提取至设计的最小特征尺寸，得到提取不同等级的特征数据；再进行解码处理，利用上采样模块将提取不同等级的特征数据大小进行还原，
并进一步提取深层信息，重复上采样操作，得到融合了所有特征的数据；
10.将融合了所有特征的数据依次通过转置卷积处理和softmax函数激活，输出损伤识别概率矩阵；根据所述损伤识别概率矩阵，得到每一个单元属于相应损伤程度的概率信息。
11.进一步的，假设获取的初始应变场数据集为包含x、y和xy三个方向的应变场小平板数据集；其单组数据大小为64
×
64
×
3；对初始应变场数据进行重组后，只保留x方向的应变场作为输入信息，此时单组数据的输入的大小变为64
×
64
×
1的应变场数据；对应的，其输出数据为64
×
64
×
4的数组，代表了每一个单元属于对应类别的概率；其中，0为完好单元，1为20％刚度削弱损伤，2为40％刚度削弱损伤，3为60％刚度削弱损伤；网络的输出设置为4通道数组，包含了每个单元属于某一损伤程度的概率，其中，通道1代表单元标签为0的概率，通道2代表单元标签为1的概率，以此类推。
12.进一步的，对所述应变场数据进行重组，得到重组后的应变场数据，具体为：
13.假设获取的地铁枕梁的应变场数据为ε，大小为c
×
n，表示应变场包含c个方向各n个应变的值；
14.经过数据重组后，变成大小为h
×w×
c的数组；
15.其中，h
×
w为重组后单个方向应变场包含的数据尺寸，h与w分别代表重组后单个方向应变场数据的高与宽，且满足h
×
w＝n；c在输入数据中代表了一个样本数据中包含的应变场方向数，在网络模型中称之为通道方向。
16.进一步的，先进行编码处理，利用下采样模块将数据提取至设计的最小特征尺寸，得到提取不同等级的特征数据；具体是：
17.将数据进行卷积操作，将应变场数据的尺寸逐步缩小，并在长和宽方向上进行归一化操作，得到输出矩阵，将经过卷积操作实现特征提取后的数据送入relu函数激活，得到特征提取的数据；
18.重复上述步骤，得到提取不同等级的特征数据。
19.进一步的，将重组后的应变场数据输入至所构建的神经网络模型中，通过卷积操作将应变场数据的尺寸逐步缩小，具体采用的是2-d卷积，即在运算过程中，卷积核在特征数据的两个平面方向上滑动，不进行通道方向的移动，以此遍历整个数据平面。
20.进一步的，进行归一化处理时，采用的归一化层为实例归一化层，实例归一化层舍弃了在批次方向和通道方向上进行归一化操作，只在h和w方向上进行归一化。
21.进一步的，将每个单元x方向的应变场数据作为输入信息输入至构建的神经网络模型中，先进行编码处理，利用下采样模块将数据提取至设计的最小特征尺寸，得到提取不同等级的特征数据；具体包括：将保留x方向的应变场作为输入信息，大小为64
×
64
×
1，输入第一个卷积层，首先在长和宽方向上进行归一化操作，随后采用的步长为2，卷积核个数为64，大小为3
×
3，进行下采样操作，提取特征，并将数据尺寸进行缩小，运算后数据大小变为32
×
32
×
64，得到输出矩阵1，将经过卷积操作实现特征提取后的数据送入relu函数激活；再将输出矩阵1输入下一个卷积层，重复上述步骤，进行归一化操作，随后采用步长为2，大小为3
×
3的卷积计算进行下采样操作，进一步进行特征提取和数据尺寸缩小，得到输出矩阵2，大小为16
×
16
×
128；随后继续重复上述操作4次，依次分别得到提取了不同程度特征的输出矩阵3、输出矩阵4、输出矩阵5、输出矩阵6，大小分别为8
×8×
256、4
×4×
512、2
×2×
512、1
×1×
512，此时数据特征矩阵变为1
×1×
512，编码操作结束。
22.进一步的，在进行解码处理，利用上采样模块将提取不同等级的特征数据还原至通过上采样模块将数据大小进行还原，并进一步提取深层信息，重复操作，得到融合了所有特征的数据；具体是：
23.将编码过程得到的特征数据依次进行转置卷积处理、归一化操作、上采样操作、relu函数激活和丢弃操作；将经过舍弃部分值后的数据与编码过程得到的输出矩阵在通道方向进行拼接，获得融合了低级特征的新数据；
24.重复上述操作，得到融合了所有特征的数据。
25.进一步的，在进行解码处理，利用上采样模块将提取不同等级的特征数据还原至通过上采样模块将数据大小进行还原，并进一步提取深层信息，重复操作，得到融合了所有特征的数据；具体包括：首先将编码处理过程中得到的特征矩阵送入转置卷积层，进行归一化操作，然后采用步长为2，卷积核大小为3
×
3的转置卷积操作进行上采样，通过上采样模块将数据大小进行还原，并进一步提取深层信息，此时数据大小变为了2
×2×
512，同样送入激活函数relu激活，采用丢弃操作，其中丢弃率为0.3，即将数据矩阵中30％的数据置0，随后将经过舍弃部分值后的数据与输出矩阵5在通道方向进行拼接，获得融合了低级特征的新数据，数据的大小变为2
×2×
1024；随后，继续对数据重复上述操作2次，在过程中依然保留丢弃操作，分别得到数据大小为4
×4×
1024和8
×8×
512的数据矩阵，此时数据大小变为8
×8×
512，高层的数据特征已经在一定程度上被解码，停止使用丢弃操作，而转置卷积、relu激活与通道方向连接低层的特征数据操作仍然保留，继续提取深层信息，并对数据尺寸大小进行还原，重复进行3次上述操作后，得到融合了所有特征，大小为32
×
32
×
128的数据矩阵，至此，解码处理结束。
26.本发明具有以下有益效果：
27.1、本发明提供的一种基于应变场信息的地铁枕梁损伤识别方法，借鉴了unet网络，采用unet网络中低层特征与高层特征的跳跃连接的思想，将其应用于枕梁损伤识别问题中，能够结合底层和高层的特征信息；同时，在数据融合的跳跃阶段，舍弃了unet网络不进行填充的思路，为便于进行数据融合，加深网络模型，可适当在下采样中加入步长为1的卷积操作，在上采样中加入了适当的丢弃操作，提高了网络识别模型的非线性表达能力。而且基于应变场信息建立了端到端的损伤识别网络模型，可大幅提高损伤识别效率，降低成本。
28.2、本发明提供的一种基于应变场信息的地铁枕梁损伤识别方法，将深度学习方法应用于损伤识别网络模型的训练中，对网络模型的基础结构和参数进行改进和优化，可训练出速度、精度都达到一定要求的网络模型。在评价函数的选取中额外提出了一个能够合适地体现网络模型的损伤识别能力的评价指标：平均错误单元数(averagefalse)。
29.3、本发明提供的一种基于应变场信息的地铁枕梁损伤识别方法，在卷积层/转置卷积层中间加入了归一化层(in)，较好地解决了中间层数据分布不稳定的情况，提高了模型训练速度和性能。采用深度学习方法，对网络模型进行训练优化，可得到速度、精度等都达到一定要求的网络模型，在损伤识别实时检测中具有较大的应用前景。
30.除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
31.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
32.图1是本发明地铁枕梁损伤识别网络模型示意图；
33.图2是网络模型训练过程的损失函数及评价函数变化图；图中(a)为损失函数对比图，(b)为召回率对比图，(c)为平均错误单元数对比图；
34.图3是网络模型训练过程的随机展示图；
35.图4是网络模型不含归一化层、含bn或in结构的训练过程的比较图；其中，图中(a)为损失函数对比图，(b)为召回率对比图，(c)为平均错误单元数对比图；
36.图5是包含损伤的枕梁模型示意图；其中(a)为包含特殊损伤区域的枕梁有限元模型，(b)为枕梁受力工况；
37.图6是包含损伤区域的小平板应变场示意图，其中(a)、(b)、(c)分别为x方向、y方向、xy方向的应变场；
38.图7是本发明实施例的损伤识别结果可视化图。
具体实施方式
39.以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
40.本发明方法基于应变等效假说，以损伤前后材料的弹性模量变化来量度损伤，由应变等效性假说，我们不难推导出：
[0041][0042]
式中，d代表损伤因子，e表示材料损伤之前的弹性模量；e
′
表示材料损伤之后的弹性模量，从式中可以发现，当材料未发生损伤时d＝0，此时材料的弹性模量未发生改变；当发生完全损伤时，d＝1，此时材料的弹性模量变为0。因此，可以采用损伤前后材料的弹性模量变化来度量损伤，且因为映射连续取值的单元弹性模量削弱难以实现，本发明将地铁枕梁每个单元的弹性模量削弱离散化，分为20％，40％，60％三个单元弹性模量削弱等级，分别对应一级损伤，二级损伤和三级损伤。若弹性模量没有削弱，则为无损伤。
[0043]
本发明提供了一种基于应变场信息的地铁枕梁损伤识别方法，包括以下步骤：
[0044]
获取包含地铁枕梁每个单元在x、y和xy三个方向的应变场数据；所述应变场数据为二维特征矩阵；
[0045]
对所述应变场数据进行重组，得到重组后的应变场数据；所述重组后的应变场数据为三维应变场特征矩阵，重组后单个方向应变场数据包括高与宽，且应变场方向数等于在网络模型中的通道方向数；
[0046]
将每个单元在x方向的应变场数据作为输入信息输入至构建的神经网络模型中，先进行编码处理，利用下采样模块将数据提取至设计的最小特征尺寸，得到提取不同等级的特征数据；再进行解码处理，利用上采样模块将提取不同等级的特征数据大小进行还原，并进一步提取深层信息，重复上采样操作，得到融合了所有特征的数据；
[0047]
将融合了所有特征的数据依次通过转置卷积处理和softmax函数激活，输出损伤
识别概率矩阵；根据所述损伤识别概率矩阵，得到每一个单元属于相应损伤程度的概率信息。
[0048]
在一个具体实施例中，设某一组应变场数据为ε，大小为c
×
n，表示应变场包含c个方向各n个应变的值，经过重组后，变成大小为h
×w×
c的数组。其中h
×
w为重组后单个方向应变场包含的数据尺寸，h与w分别代表重组后单个方向应变场数据的高与宽，且满足h
×
w＝n；c在输入数据中代表了一个样本数据中包含的应变场方向数，在网络模型中称之为通道方向。
[0049]
为了提取数据不同等级的特征，在编码(encode)部分需要利用下采样(downsample)模块将数据提取至设计的最小特征尺寸b
×h′
×w′
×c′
，其中b表示每一批放入网络模型中的应变场组数。为了方便设计，当使用步长为2的下采样模块压缩特征数据的平面尺寸至原尺寸的1/2时，就将通道扩张至原来的2倍，以丰富特征数据的表达。同时也适当堆叠s时也适当堆＝ 1的下采样模块加深网络结构，此时下采样模块不改变特征数据的尺寸，但是由于加入了新的卷积层，可以加强网络结构的非线性表达能力。
[0050]
在解码(decode)部分，就需要利用上采样(upsample)模块将其还原至b
×h×w×
c。与原版的unet不同的是，在数据融合的跳跃连接阶段，为了执行简单，舍弃unet不进行填充的思路，以达到方便地将数据尺寸相同的特征数据相融合的目的。在此部分也适当加入s时也适当堆＝ 1的下采样模块，用以加深网络，最终生成网络，而在网络模型的输出层，即损伤输出结果部分，需要根据不同的损伤识别任务单独设计激活函数与输出形式。下面对损伤识别网络的两个主要部分编码(encode)和解码(decode)部分进行详解。
[0051]
在编码过程中，利用下采样模块将数据提取至设计的最小特征尺寸，得到提取不同等级的特征数据；具体是：将数据进行卷积操作，将应变场数据的尺寸逐步缩小，并在长和宽方向上进行归一化操作，再进行下采样操作，得到输出矩阵，将经过卷积操作实现特征提取后的数据送入relu函数激活，得到特征提取的数据；重复上述步骤，得到提取不同等级的特征数据。
[0052]
将重组后的应变场数据输入至所构建的神经网络模型中，通过卷积操作将应变场数据的尺寸逐步缩小，具体采用的是2-d卷积，即在运算过程中，卷积核在特征数据的两个平面方向上滑动，不进行通道方向的移动，以此遍历整个数据平面。具体的，当输入数据与卷积核开始卷积运算时，输出数据由输入数据的局部子矩阵和卷积核矩阵各个位置的元素相乘，然后相加得到。
[0053]
在解码过程中，需要提取损伤在应变场上表现的高级特征，这一过程一般伴随着数据在维度方向的缩小，故称为下采样(downsample),本发明依据全卷积网络的思想，使用步长为2的卷积来实现下采样操作。在激活函数的选择上，本发明选用relu函数作为损伤识别网络中卷积层的激活函数。
[0054]
特殊的，为了使模型不至于发生过拟合，在下采样模块中加入参数可调节的丢弃(dropout)操作，丢弃操作实质是按丢弃率(rate),随机将部分数据的值置0以达到改善过拟合的目的，当rate＝0时表示不丢弃任何数据，当rate＝1时表示丢弃全部的数据。此外，考虑到深度学习模型的训练是一个复杂的过程。由网络数据的向前传播可知，模型的前部卷积层的参数如果发生改变，那么这种改变将会影响此层的数据输出，输出又将作为下一层的输入，并一直传递下去，从而影响后面几层的网络，为了避免输入数据的分布一直剧烈
变化可能带来的影响，在卷积层与激活函数之间加入归一化in(instance normalization)层，在h与w方向上进行归一化操作。
[0055]
将步长为2的卷积操作与relu激活函数组合，并加入dropout与in功能，就可以得到编码过程所需的基本模块下采样downsample模块，其具体构造如下：
[0056][0057]
可以看到，如果将步长(stride)设置为默认值2，那么经过一次下采样模块，特征图在平面的宽和高的尺寸方向将减半，通道方向大小变为卷积核个数个，此时的输出就是更高纬的特征数据。编码部分就可以通过堆叠下采样，逐步提取数据特征，直至所设定的最小尺寸维度h
×w×
c。
[0058]
再进行解码处理，即利用上采样模块将提取了不同等级的特征数据大小进行还原，并进一步提取深层信息，重复操作，得到融合了所有特征的数据；具体是：将编码过程得到的特征数据一次进行转置卷积处理、归一化操作、上采样操作，relu函数激活和丢弃操作；将经过舍弃部分值后的数据与编码过程得到的输出矩阵在通道方向进行拼接，获得融合了低级特征的新数据；重复上述操作，得到融合了所有特征的数据。
[0059]
本发明所采用的上采样模块由转置卷积来实现，它并不是卷积的逆运算，而是一种特殊的正向卷积，其计算过程阐述如下：先按照一定的比例在特征数据当中直接通过补充0数据来扩大输入的尺寸，再进行卷积运算。
[0060]
上采样模块的结构与下采样模块相近，其具体构造如下：
[0061][0062]
同时，与encode类似，decode部分也通过堆叠upsample模块来实现数据尺寸的还原与解码，但需要加入与低层特征相融合的连接层。
[0063]
本发明提供的一种基于应变场信息的地铁枕梁损伤识别方法，实验为针对2000组小平板数据集的四种损伤类型识别问题(小平板是地铁枕梁的一种简单近似模拟方式)。
[0064]
首先，获取所输入的初始应变场数据集为包含x、y与xy三个方向的应变场小平板数据集，其单组数据大小为64
×
64
×
3。考虑到小平板的主要应变方向为x方向，为了减少计算开支，加快模型训练的速度，舍弃y与xy方向的应变，对初始应变场数据进行重组，只保留x方向的应变场作为输入信息，此时单组数据的输入的大小变为64
×
64
×
1(长
×
宽
×
通道数)的应变场数据。
[0065]
对于网络模型的输出，根据所构建样本数据的标签可知，输出数据应该为64
×
64
×
4的数组，代表了每一个单元属于对应类别的概率。0为完好单元，1为20％刚度削弱损伤，2为40％刚度削弱损伤，3为60％刚度削弱损伤。网络的输出设置为4通道数组，包含了每个单元属于某一损伤程度的概率，其中，通道1代表单元标签为0的概率，通道2代表单元标签为1的概率，以此类推。
[0066]
在此基础上，将重组后只保留x方向的应变场数据输入第一个卷积层，首先在长和宽方向上进行归一化操作，以避免数据分布剧烈阻碍模型计算和训练，随后卷积所采用的步长(stride)为2，卷积核个数为64，大小为3
×
3，进行下采样操作，提取特征，将数据尺寸进行缩小，运算后数据大小变为32
×
32
×
64，得到输出矩阵1(output1)，将经过卷积操作实现特征提取后的数据送入relu函数激活，以达到非线性映射的目的。随后，将输出矩阵1输入下一个卷积层，重复上述步骤，进行归一化操作，采用步长为2，大小为3
×
3的卷积计算进行下采样操作，进一步进行特征提取和数据尺寸缩小，得到输出矩阵2(output2)，大小为16
×
16
×
128。随后继续重复上述操作4次，如图1所示，依次分别得到提取了不同程度特征的输出矩阵3(output3)、输出矩阵4(output4)、输出矩阵5(output5)、输出矩阵6(output6)，
大小分别为8
×8×
256、4
×4×
512、2
×2×
512、1
×1×
512，此时数据特征矩阵变为1
×1×
512，编码(encode)操作结束。在解码(decode)部分，首先将得到的特征矩阵送入转置卷积层，进行归一化操作，然后采用步长为2，卷积核大小为3
×
3的转置卷积操作进行上采样，通过上采样模块将数据大小进行还原，并进一步提取深层信息，此时数据大小变为了2
×2×
512，同样送入激活函数relu激活，在进行下一步数据融合之前，为了避免发生过拟合导致损伤识别能力下降的情况发生，采用丢弃操作，其中丢弃率为0.3，即将数据矩阵中30％的数据置0，虽然丢弃操作舍弃了部分数据，但数据的尺寸并未发生改变，随后将经过舍弃部分值后的数据与输出矩阵5(output5)在通道方向进行拼接，获得融合了低级特征的新数据，此时，数据的大小变为2
×2×
1024(2
×2×
512+2
×2×
512)。随后，继续对数据重复上述操作2次，在过程中依然保留丢弃操作，分别得到数据大小为4
×4×
1024和8
×8×
512的数据矩阵，此时数据大小变为8
×8×
512，高层的数据特征已经在一定程度上被解码，为了避免数据特征的丢失过多，停止使用丢弃操作，而转置卷积、relu激活与通道方向连接低层的特征数据操作仍然保留，继续提取深层信息，并对数据尺寸大小进行还原，重复进行3次上述操作后，得到融合了所有特征，大小为32
×
32
×
128的数据矩阵，至此，上采样操作结束。最后，在模型的输出层，数据先经过卷积核大小为3
×
3，步长为2的转置卷积进行最后的大小还原，然后将其经过softmax函数进行激活，增强其非线性能力，输出大小为64
×
64
×
4的数组，为每一个单元属于相应类别的概率信息。具体过程如图1所示。
[0067]
此外，将本发明采用的模型与不加入归一化层或者采用加入bn(batch normalization，批标准化)归一化层的网络模型进行比较；其中，对比的模型除不加入归一化层或者采用加入bn(batch normalization，批标准化)归一化层之外，其余与本发明网络模型相同。实验设置损伤共分为四级，分别为完好、20％刚度削弱损伤、40％刚度削弱损伤、60％刚度削弱损伤；输入的应变场信息包括x、y、xy三个方向。实验数据通过abaqus软件进行有限元仿真所取得，同时包含损伤信息和应变场信息。评价指标如下：loss(损失)函数：指需要最小化的目标函数，越小越好(上文中有提及损失函数)；recall(召回率)：损伤单元被正确预测的比率，越大越好；averagefalse(平均错误单元数)：每组数据错误分类单元的平均个数，越小越好。
[0068]
实验一：检测模型本身收敛程度，在模型的上采样模块和下采样模块中的卷积/转置卷积与激活函数之间不加入归一化层，得到的结果如下：
[0069]
模型训练在第94个迭代数(epoch)时提前终止，共耗时50分钟25秒。训练过程的损失函数与评价函数变化如图2所示。图2中带正方形图标的曲线表示训练集训练时的记录；带圆形图标的曲线表示验证集验证时的记录。
[0070]
观察损失函数(loss)的历史记录可以看到，训练与验证集的损失随着迭代数(epoch)的增加稳步下降，并且在训练开始后的前若干个迭代数(epoch)内迅速下降，而后下降的速度越来越慢，直至训练结束，这表明模型进行了有效的训练。
[0071]
观察召回率和平均错误单元数的历史记录。当模型开始训练时，召回率的值为0，这表明模型还不具备找出损伤的能力，此时的平均错误单元数维持在一个极高的水平。进行了1代训练后，平均错误单元数迅速下降，但召回率的值提升不多，这表明模型给绝大部分无损的单元分配了正确的标签0，但仍然不具备识别损伤单元的能力，所以召回率的值依旧很低，随着训练的进行，召回率的值逐渐接近于1，平均错误单元数逐渐接近于0，表明模
型网络具备识别不同程度损伤单元的能力。
[0072]
图3为训练时随机抽取验证集数据进行的可视化展示，其中最左侧一列的输入图片(input image)代表应变场数据的可视化图片，也就是模型的输入数据；中间一列的真实结果(true result)表示真实的损伤单元数据；最右侧一列的预测结果(predicted result)表示模型的预测值，也就是模型的输出数据。可以看到，当训练进行了1代时，模型将所有单元都归类为无损伤单元，这就导致loss值和平均错误单元数的急速下降，但召回率的值为0，此时的网络模型完全不具备识别损伤的能力；当训练进行了6代，模型开始初步学习损伤单元的应变场特征，但效果不明显，即使是无噪声的输入也不能识别出损伤单元；当训练进行了20代，对于噪声污染一般的应变场输入，模型也能较好地对损伤单元进行识别，但对于应变场的特征学习仍然不完善，导致损伤单元的边界未能较好的划分；当训练进行了50代，此时对于无噪声的应变场，模型已经能够较好地识别出损伤单元，预测出的损伤单元与真实的损伤单元已经相差无几，表明模型已经较好地学习到了损伤单元的应变场分布特征；当训练进行完最后一代，也就是第94代时，即使面对噪声污染严重的应变场输入，模型也能较好地识别出损伤单元，并给出正确的损伤等级，表明在学习了损伤单元应变场分布的特征之外，模型还具备了较好的鲁棒性。
[0073]
在迭代终止后，选取对于验证集数据而言性能最优的迭代数进行保存，此时的各项参数指标如表1所示。
[0074]
表1最佳epoch时的模型各项指标
[0075][0076]
实验二：比较不加入归一化层、加入bn(batch normalization，批标准化)归一化层与按照本发明方式加入in(instance normalization)归一化层之后的差别：
[0077]
图4为三种结构训练的记录比较，图4中带正方形图标的曲线表示不加入归一化层训练时的记录；带圆形图标的曲线表示加入bn层训练时的记录，带三角形图标的曲线代表按照本发明加入in层训练时的记录。
[0078]
从图4中(a)可以发现，不论是加入bn或是in归一化层，都对训练起到了一定的正效益，使用bn层与in层的结构都在第64代就提前停止了训练，而不加入归一化层的结构在第94代时停止，且在loss方面达到了更好的效果；。观察图4中(b)与(c)，都可以明显看出加入归一化层后的模型在更少的迭代训练后就能达到原始模型的水平。但是加入bn层的结构在验证集的表现不尽如人意，具体表现为：训练过程中，验证集评价指标的值震荡剧烈，表明模型对于不同的输入适应性较弱，而in层的表现十分稳定，训练结束在验证集上的表现也要优于bn层与不加入归一化层的结构。不同结构最优步的模型评价指标见表2。
[0079]
从表2中还可以发现，虽然使用bn层的结构在训练集上的表现要优于不加入归一化层的结构，但其在验证集上的表现却更差，这表明虽然模型在训练时已经编写了提前停止训练的回调函数来防止过度训练，使用bn层的结构仍有轻微的过拟合现象。而加入in层
之后，无论是在训练集还是验证集上，召回率和平均错误单元数都要优于加入bn层和不加入归一化层的模型，和、综上所述，将在模块中加入in层能加快模型的训练，明显有效提高模型的训练效率与性能。
[0080]
表2不同结构模型最优代评价指标统计表
[0081][0082]
以下结合具体实施例，对本发明地铁枕梁损伤识别的具体过程进行解释说明。
[0083]
具体针对某组地铁枕梁损伤识别进行举例说明，同时，设置损伤共分为四级，分别为完好、20％弹性模量削弱损伤、40％弹性模量削弱损伤、60％弹性模量削弱损伤。
[0084]
1、枕梁损伤信息的获取
[0085]
以有限元模型为例，人为在枕梁上盖板设置了损伤如图5中(a)中深色部分所示，设置的损伤区域包含51个单元，占所有单元的0.27％，损伤单元为刚度削弱60％的3级损伤单元。枕梁上盖板受垂直于表面的均布载荷作用，下表面固定如图5中(b)所示。
[0086]
将有限元模型送入abaqus求解器中进行有限元仿真，得到整个上盖板区域x、y、xy三个方向的应变场如图6所示，将3个方向的应变场输出，并添加20db的随机高斯噪声，作为输入，应变场部分单元的应变信息如表3所示：
[0087]
表3单元应变信息表
[0088]
单元编号x方向应变y方向应变xy方向应变1-3.02e-043.47e-052.48e-052-3.05e-043.36e-052.48e-053-3.01e-043.37e-052.48e-054-2.98e-043.35e-052.49e-055-3.08e-043.10e-052.47e-056-3.11e-043.15e-052.51e-057-3.05e-043.05e-052.46e-058-3.06e-043.01e-052.47e-059-2.99e-042.96e-052.52e-0510-2.88e-042.88e-052.48e-05
…………
[0089]
而在现实生活中，我们可以通过接触式或非接触式传感器获取地铁枕梁的应变场信息，并在此基础上，根据需求按照一定顺序、一定的网格大小，将地铁枕梁划分为许多个微小单元，并分别将每个单元所对应位置的x、y、xy三个方向的应变场进行统计，进而形成包含整个地铁枕梁上每一个单元x、y、xy三个方向应变场信息的地铁枕梁损伤应变场数据集。
[0090]
2、应变场信息到损伤信息的转化(损伤识别网络的应用)
[0091]
在得到应变场数据集信息的基础上，将所得应变场数据集输入本发明所构建的地铁枕梁损伤识别网络模型，其中模型需要载入之前训练模型时所获得的表现最好的网络参数，然后使用预测接口进行预测。通过损伤识别网络的识别，针对每一个单元输出其分别属于不同损伤程度单元的概率，生成对应的.txt格式文件，部分单元输出结果如表4所示。
[0092]
表4损伤识别网络输出结果
[0093][0094]
3、单元损伤的确定
[0095]
通过对.txt文件中每一个单元属于不同损伤程度单元概率的比较，选取其概率最大所对应的损伤单元类型，确定该单元的损伤等级，部分单元的损伤确定结果如表5所示，由表可知单元1-10属于完好单元的概率最大，因此判定单元1-10皆为完好单元，即没有受到损伤。
[0096]
表5单元损伤程度
[0097]
[0098][0099]
4、损伤结果的可视化
[0100]
根据损伤程度的不同，采用不同的颜色对其进行表示，从0级损伤程度(即完好)到3级损伤程度分别采用由深到浅色的渐变来进行表现，并按照之前的顺序将得到的单元最终损伤结果进行组合，得到损伤结果可视化图如图7所示。
[0101]
由图7可知，从损伤区域的识别来看，只在损伤右侧区域类似字母“c”的拐角处有2个单元发生了误判，但错误水平处于可接受的平均错误的范围内；从损伤程度的判断来看，网络模型将识别出的损伤单元都归类于3级损伤，对应60％的刚度削弱，与设置的损伤程度完全吻合。
[0102]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。