技术特征：
1.一种基于卷积神经网络的板结构损伤识别方法，其特征在于，包括如下内容：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；s2：通过振动方法获取s1中不同状态结构的模态振型；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；s4：将数据样本划分为训练集和测试集；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；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。2.根据权利要求1所述的一种基于卷积神经网络的板结构损伤识别方法，其特征在于，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。3.根据权利要求1所述的一种基于卷积神经网络的板结构损伤识别方法，其特征在于，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。4.根据权利要求1-3任一项所述的一种基于卷积神经网络的板结构损伤识别方法，其特征在于，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。5.根据权利要求4所述的一种基于卷积神经网络的板结构损伤识别方法，其特征在于，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：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。
技术总结
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，包括如下内容：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；通过振动方法获取不同状态结构的模态振型；对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，标记后作为数据样本；将数据样本分为训练集和测试集；构建卷积神经网络模型，利用训练集训练；将测试集的数据代入比较，直至得到训练参数。本发明中利用混合白噪声对有限的结构模态振型进行数据增强，使得卷积神经网络能够充分提取隐藏在模态振型的损伤信息，解决了现有卷积神经网络识别技术中板结构损伤特征较难提取，不能满足板结构损伤识别需求的问题。不能满足板结构损伤识别需求的问题。不能满足板结构损伤识别需求的问题。
技术研发人员：余建星 马文韬 余杨 吴世博 曾庆泽 丁鸿雨 高涵韬 杨九
受保护的技术使用者：天津大学
技术研发日：2022.10.14
技术公布日：2023/1/2