一种基于卷积神经网络的板结构损伤识别方法

1.本发明属于结构损伤识别领域，特别涉及一种基于卷积神经网络的板结构损伤识别方法。


背景技术：

2.近十几年来，因工程结构损伤失效而造成的生命安全威胁和财产损失时有发生，结构健康检测在工程领域逐渐被人们所重视。目前，基于振动的损伤识别方法大多应用于一维结构和框架结构，对于二维结构而言，仅通过关键点的振动响应进行损伤定位往往较为困难。
3.随着深度学习在结构健康检测的引入，利用深度学习网络自动提取结构中的关键信息对结构进行损伤识别取得了一定成果。对于实际工程而言，测量的振动信号往往包含大量的噪声。传统的损伤识别方法在噪声影响下往往会检测不到损伤信息，而深度学习的高鲁棒性能够在一定程度上克服噪声的影响，这对于工程实际应用而言是有利的。
4.但是深度学习在损伤识别的应用过程中，对板结构的损伤特征较难提取，不能满足板结构损伤识别的需求。


技术实现要素：

5.本发明提供一种基于卷积神经网络的板结构损伤识别方法，以解决现有技术中板结构的损伤特征较难提取，不能满足板结构损伤识别需求的问题。
6.一种基于卷积神经网络的板结构损伤识别方法，包括如下内容：
7.s1：建立正常结构和不同位置处损伤结构的实体模型或有限元模型；
8.s2：通过振动方法获取s1中不同状态结构的模态振型；
9.s3：对s2中每一个状态的模态振型施加不同信噪比下的高斯白噪声，每个信噪比下生成多个受噪声影响的模态振型，对生成的所有受噪声影响的模态振型进行状态标记，标记后的含噪模态振型信号作为数据样本；
10.s4：将数据样本划分为训练集和测试集；
11.s5：构建卷积神经网络模型，并利用s4中的训练集对卷积神经网络模型进行训练；
12.s6：将s4中的测试集的数据代入s5已训练后的卷积神经网络模型得到预测结果，并与测试集的实际损伤类型进行比较；若测试集的损伤识别精度高于设置的阈值则保存训练参数，得到完成训练、能够应用于板结构损伤识别的卷积神经网络模型，否则对已训练后的卷积神经网络模型进行二次训练或更换训练集继续训练。
13.进一步地，步骤s1中，所述不同位置处损伤结构的实体模型或有限元模型中的结构损伤采用弹性模量折减方法对损伤进行简化设置。
14.进一步地，步骤s2中，能够通过模态分析方法获取不同状态结构的模态振型，获取的模态振型为每种状态结构的前三阶模态振型，将所述每种状态结构的前三阶模态振型的数据转换为三维矩阵数据形式。
15.进一步地，步骤s5中，所述卷积神经网络模型包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一全连接层、第二全连接层以及输出层。
16.进一步地，所述卷积神经网络模型中采用的损失函数为交叉熵损失函数，公式如下：
[0017][0018]
式中，l表示损失函数，m表示类别的数量，y
ic
表示符号函数，如果样本i的真实类别等于c取1，否则取0；p
ic
表示观测样本i属于类别c的预测概率，n为样本数目。
[0019]
本发明和现有技术相比具有如下有益效果：与现有基于模态振型的损伤识别方法相比，本发明能够利用受到高噪声影响的模态振型信号对板结构进行损伤识别，极大的提升了板结构损伤识别方法的噪声鲁棒性。此外，本发明提供了一种针对极少数量模态振型数据的数据增强方法，使得需要大量数据的卷积神经网络方法能够利用模态振型数据实现结构损伤识别。
附图说明
[0020]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
[0021]
图1是本发明实施例中一种基于卷积神经网络的板结构损伤识别方法的流程示意图；
[0022]
图2是本发明实施例中板结构的含噪声前三阶模态振型的示意图，其中(a)为一阶振型示意图，(b)为二阶振型示意图，(c)为三阶振型示意图；
[0023]
图3是本发明实施例中卷积神经网络模型的网络结构图；
[0024]
图4是本发明实施例中卷积神经网络训练过程。
具体实施方式
[0025]
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。
[0026]
如图1所示，一种基于卷积神经网络的板结构损伤识别方法，包括如下内容：
[0027]
s1：建立正常结构和不同位置处损伤结构的实体模型或有限元模型。
[0028]
步骤s1中，所述不同位置处损伤结构的实体模型或有限元模型中的结构损伤采用弹性模量折减方法对损伤进行简化设置，这降低了构造训练集时的损伤设置成本。
[0029]
s2：通过振动方法获取s1中不同状态结构的模态振型。
[0030]
在一个实施例中，能够通过模态分析方法获取不同状态结构的模态振型，获取的所述模态振型为每种状态结构的前三阶模态振型，将所述每种状态结构的前三阶模态振型
的数据转换为三维矩阵数据形式。
[0031]
本发明通过将振型信号转换为三维图像的数据格式，能够充分发挥卷积神经网络在图像识别中的优势，极大增强卷积神经网络提取结构损伤特征的能力。
[0032]
s3：对s2中每一个状态的模态振型施加不同信噪比下的高斯白噪声，每个信噪比下生成多个受噪声影响的模态振型，对生成的所有受噪声影响的模态振型进行状态标记，标记后的含噪模态振型信号作为数据样本。
[0033]
本发明中，通过对振型信号施加混合噪声能够将有限的振型信号扩展为较大的训练集数据，极大的提升了基于卷积神经网络的板结构损伤识别方法的噪声鲁棒性。
[0034]
s4：将数据样本划分为训练集和测试集。
[0035]
数据样本内，标记后的含噪模态振型信号，已采用步骤s2中的方式全部转换为三维矩阵数据形式，以利用卷积神经网络在图像分类与识别中的优势。
[0036]
s5：构建卷积神经网络模型，并利用s4中的训练集对卷积神经网络模型进行训练。
[0037]
所述卷积神经网络模型包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一全连接层、第二全连接层以及输出层。
[0038]
所述卷积神经网络模型中采用的损失函数为交叉熵损失函数，公式如下：
[0039][0040]
式中，l表示损失函数，m表示类别的数量，y
ic
表示符号函数，如果样本i的真实类别等于c取1，否则取0；p
ic
表示观测样本i属于类别c的预测概率，n为样本数目。
[0041]
s6：将s4中的测试集的数据代入s5已训练后的卷积神经网络模型得到预测结果，并与测试集的实际损伤类型进行比较；若测试集的损伤识别精度高于设置的阈值则保存训练参数，得到完成训练、能够应用于板结构损伤识别的卷积神经网络模型，否则对已训练后的卷积神经网络模型进行二次训练或更换训练集继续训练。
[0042]
目前，卷积神经网络在图像识别领域取得了巨大的成功，利用卷积神经网络在图像分类与识别中的优势，将结构振动特性转换为图像输入，实现结构的损伤识别是一种新的思路。
[0043]
对于二维结构而言，模态振型是一个常见的结构振动特征，且较容易转换为图像数据。然而对于特定结构的特定状态只有一个模态振型，加上不同二维结构的模态振型差异较大，获得大量的模态振型数据作为卷积神经网络的输入较为困难。
[0044]
而本发明中，提供了一种针对极少数量模态振型数据的数据增强方法，通过对极少数量模态振型中每一个状态的模态振型施加不同信噪比下的高斯白噪声，生成多个受噪声影响的模态振型，进而形成具有大量数据的数据样本，使得需要大量数据的卷积神经网络方法能够利用模态振型数据实现结构损伤识别。本发明能够提取强噪声影响下的板结构损伤特征，极大的提升了基于卷积神经网络的板结构损伤识别方法的噪声鲁棒性。
[0045]
实施例1
[0046]
为进一步说明本发明提供的一种基于卷积神经网络的板结构损伤识别方法的效果，特此提供一个实施例。
[0047]
本实施例中，步骤s1，构建结构有限元模型的尺寸为长1m、宽0.8m、厚度5mm的四周
简支平板，采取结构局部刚度下降的损伤模型。杨氏模量为210gpa，泊松比为0.3，材料密度为7850kg/m3，结构无量纲阻尼比为ζk＝0.01。为表示损伤程度，令de＝ed/eu。其中eu和ed分别表示无损和有损时结构的弹性模量。损伤程度越大，de值越小。
[0048]
假设损伤为正方形区域内的刚度下降，正方形区域的边长为0.04m。以正方形中心坐标表示结构的损伤位置，以板中心构建坐标系，具体损伤工况如表1所示：
[0049]
表1 损伤工况
[0050][0051]
步骤s2，获得含噪声的三阶模态振型如图2所示，将前三阶模态振型的数据转换为三维矩阵数据形式。
[0052]
由于受噪声影响较大，难以通过传统指标获得结构的损伤状态，本发明能够通过卷积神经网络模型自动提取结构模态振型中的损伤特征，对不同的损伤状态进行分类识别，利用卷积神经网络在图像识别中的优势，极大的增强了强噪声影响下损伤识别的精度。
[0053]
步骤s3，对每个工况下的模态振型施加信噪比为10db、20db、30db和40db的高斯白噪声，每个信噪比下生成300个数据。每个模态振型的数据格式为101*81*3。对每个模态振型信号施加不同工况的标记：健康标记(工况1)、工况2、工况3和工况4。
[0054]
步骤s4，标记后的含噪模态振型信号，已转换为三维矩阵数据形式。按照8:2的比例划分训练集和测试集，其中3200个数据用作训练。
[0055]
步骤s5，构建的卷积神经网络模型采用7层网络结构，学习率为0.0001，训练模型迭代次数为600次，每次迭代数据量为50个。
[0056]
如图3所示，本实施例构建的卷积神经网络模型包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一全连接层(含dropout层)、第二全连接层以及输出层。采用的损失函数为交叉熵损失函数，公式如上所述。
[0057]
在卷积神经网络训练过程中，每训练十次输出一次训练集的识别概率，用以检查神经网络的超参数是否能够使神经网络达到较高识别精度。每迭代200次保存一次网络权重。
[0058]
步骤s6，如图3所示，将测试集中的振型数据输入到卷积神经网络模型中，得到结构的预测损伤状态。
[0059]
通过与实际标签的对比可以得到卷积神经网络模型在测试集中的识别精度。若在测试集中识别精度较高，则采用保存的卷积神经网络模型。若在测试集中识别精度较高，对已训练后的卷积神经网络模型进行二次训练或更换训练集继续训练，直至得到识别精度较高的训练参数、模型。
[0060]
如图4所示，本实施例1经过约100次迭代，卷积神经网络模型能成功识别噪声影响下的模态振型中隐藏的损伤特征。
[0061]
由此可以看出，本方法通过对几个振型数据及其扩展样本进行训练，即可实现强噪声影响下板结构损伤的精确识别。避免了传统方法需要大量训练数据的弊端。同时采用三阶阵型并转换为图片数据，与只采用单阶振型的方法相比，使得卷积神经网络能够提取更为深刻的损伤特征信息，提升了损伤识别的准确度。
[0062]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。