一种基于迁移学习和残差网络的张拉膜结构损伤识别方法

本发明涉及张拉式索膜结构损伤识别和人工智能，具体涉及一种基于迁移学习和残差网络的张拉膜结构损伤识别方法。

背景技术：

1、张拉膜结构(也称为张拉式索膜结构)是由稳定的空间双曲张拉膜面、支承桅杆体系、支承索和边缘索等构成的空间结构体系，主要是由膜材与支撑构件(钢框架、钢柱或钢索)通过施加一定的初始预张力，形成能承受外荷载的稳定空间形状。由于张拉膜结构具有强大的可塑性和高度的灵活性，属于建筑结构中“力”与“形”的完美结合，因此张拉膜结构在公共建筑中的应用极其广泛。但在实际工程应用中张拉膜结构承受的主要荷载随机性强，导致张拉膜结构整体的缺陷敏感性强，初始缺陷、局部构建损伤会显著影响结构的承载能力和动力特性。因此，张拉膜结构力学性能对膜面损伤非常敏感，当膜面发生损伤会导致张拉膜结构丧失受力平衡状态，如果进一步受到外部荷载作用，张拉膜结构极有可能会发生瞬时破断。张拉膜结构往往是地方性标志性建筑，其破坏不仅会造成重大人员伤亡和巨大经济损失，还会带来极坏的社会影响。为了保障张拉膜结构工程质量，延长结构使用年限，避免由于膜面损伤导致张拉膜结构过早毁坏以及进一步减少灾害风险事故等，需要对张拉膜结构膜面进行定期结构健康监测与维护。

2、目前结构损伤识别是结构健康监测领域重要的研究课题。一般性的，当工程结构发生损伤时，其与正常结构相比在某些特性方面会产生异常现象。这些现象体现在表征结构特性上会发生变化，比如动态特性和静态特性、表面状态和形状大小等的各种特征参数上。结构损伤识别主要是通过测量和辨识这些特征参数的异常变化来对工程结构的健康进行判断，用以确定结构是否有损伤存在、判别损伤类型，进而判别损伤的位置和程度以及结构当前的状况、使用功能和结构损伤的变化趋势等。截至目前，快速发展的结构动力响应测量技术已经为传统土木工程结构的动力检测方法提供了坚实有效的技术支持，大多数整体检测技术都是基于结构振动信号来进行分析的，结构的动力检测主要是依据结构的动力响应识别结构的当前状态。因此仅考虑结构静力特性已经不能完全反应结构的本质特征，对索膜结构进行全面的动力检测和健康监测有着重要的研究意义和广阔的应用前景。

3、结构动力响应测量检测本质上是对结构物理参数是否发生变化进行检测，而反应结构物理特性(刚度、质量和阻尼)参数变化主要为结构模态参数(固有频率、模态振型等)。但是，与传统土木建筑结构不同，张拉膜结构是由稳定的空间双曲张拉膜面、支承桅杆体系、支承索和边缘索等构成的空间结构体系，该种结构是集材料非线性与几何非线性于一体的高度非线性系统，具有结构自振频率密集、高阶模态振型复杂的特点，传统的模态参数识别方法难以适用。针对张拉膜结构利用振动信号进行结构健康检测理论是可行的，但是存在振动信号模态参数识别困难，无法准确表征该种结构的损伤特征等问题。随着人工智能和机器视觉技术的发展，数据处理和图像识别方法广泛地应用到土木结构损伤检测中。深度学习算法作为人工智能的典型方法之一，因其具有异常强大的特征学习能力，能够从海量数据中自动提取出更深层次的特征，所以在很大程度上摆脱了传统信号处理技术，人工特征提取和专家经验的依赖。因此，基于振动信号利用深度学习方法对张拉膜结构损伤识别健康检测势在必行。利用深度学习强大的多层次特征学习和高维特征提取能力，可弥补当前对张拉膜结构振动信号模态参数识别困难，无法准确表征膜结构的损伤特征等问题，是实现张拉膜结构智能动力检测和健康监测的理想方法之一。

4、传统深度学习神经网络模型的构建模式随着网络深度的增加到一定数量时，网络模型会发生梯度消失、梯度爆炸和网络退化现象，严重影响模型特征提取和学习能力，从而导致网络性能急剧下降。而残差网络则打破传统神经网络模型的构建模式，与普通神经网络单一连接模式相比，残差神经网络利用恒等映射实现了跳跃连接。残差网络的残差模块缓解了传统神经网络随着深度增加导致性能骤降的问题，这也使得搭建更加深层网络模型成为可能，实现充分挖掘振动信号蕴含的时频信息，有效提高张拉膜结构损伤识别精度。近年来，迁移学习是将源域学到的知识迁移到目标域的一种学习方法，通过采用大数据预训练模型参数对实现小样本情况下目标损伤识别准确率的显著提高。此外，由于张拉膜结构振动信号不同样本在不同时刻表现出的特征存在较大差异，采用注意力机制可以将模型注意力聚焦到目标信息的不同位置来提升特征信息获取能力，降低模型对输入数据的敏感性。

技术实现思路

1、针对上述存在的技术不足，本发明的目的是提供一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，其能够解决传统的结构动力检测方法对张拉膜结构这种集材料非线性与几何非线性于一体的高度非线性系统结构难以适用，无法准确表征张拉膜结构的损伤特征等问题。

2、为解决上述技术问题，本发明采用如下技术方案：

3、本发明提供一种基于迁移学习和残差网络的张拉膜结构损伤识别方法，包括以下步骤：

4、步骤1：对膜面施加外部激励信号，采集不同损伤工况下的膜面原始振动信号；

5、步骤2：对不同损伤工况下膜面振动信号数据进行预处理，并利用小波变换将一维膜面振动序列数据转换为二维图像数据，用以构建不同损伤工况下膜面振动信号图像数据集；

6、步骤3：将注意力机制引入resnet50残差网络架构，分别对resnet50浅层网络和深层网络混合嵌入注意力机制，完成构建改进resnet50残差网络模型；

7、步骤4：对改进的resnet50残差网络模型输入构建的不同损伤工况下膜面振动信号图像数据集进行训练，并利用迁移学习方法将imagenet预训练模型的参数权重迁移到改进的resnet50残差网络模型进行训练，并保留模型训练最优模型参数权重；

8、步骤5：基于训练好的最优改进resnet50残差网络预训练模型对不同损伤工况下膜面振动信号进行分类检测，输出膜面损伤分类检测结果和注意力特征图。

9、优选地，步骤1中，利用加速度传感器采集不同损伤工况下的膜面原始振动信号，具体步骤为：

10、步骤21：对待测膜面进行网格划分确定测量点，保证测量点相对密集地平均分布在待测膜面表面；

11、步骤22：在对不同损伤膜面动态特性测试中，对被测损伤膜面进行施加外部激励信号使其作受迫振动，其中外部激励信号包括稳态正弦激励、正弦扫频激励、随机激励和力锤冲击激励。

12、步骤23：将加速度传感器放置于测量点处测量不同损伤工况下的膜面受迫振动信号，测量完成后依次导出.xlsx文件。

13、优选地，对采集的不同损伤工况下膜面振动信号.xlsx文件中的噪声点依次进行手动删除，包括对被测膜面进行施加外部激励信号前加速度传感器采集的噪声信号，以及膜面进行被施加外部激励信号作受迫振动衰减结束后加速度传感器采集的噪声信号；经过手动预处理后的不同损伤膜面一维振动信号.xlsx文件数据长度相同。

14、优选地，步骤2中，利用小波变换将一维膜面振动序列数据转换为二维图像数据，用以构建不同损伤工况下膜面振动信号图像数据集的方法为：基于预处理后的不同损伤膜面一维振动信号.xlsx文件数据，使用morlet连续小波变换对采集的损伤膜面振动信号进行处理，实现将损伤膜面一维振动时域信号转换为包括时域和频域信息的二维损伤膜面图像数据，并划分为训练集、验证集和测试集。

15、优选地，利用连续小波变换可调变的时频窗口，在对损伤膜面振动信号进行时频分析时，时间窗口的宽度跟随频率发生相应的改变；

16、当损伤膜面振动频率为高频时，小波变换过程中的时间窗口宽度会对应减小，对应频率分辨率提高；

17、同时，当损伤膜面振动频率为低频时，小波变换过程中的时间窗口宽度会对应增大，对应频率分辨率降低；

18、基于小波变换对信号分析具有自适应性，根据小波变换本质是对目标信号和母小波缩放和平移副本的匹配程度，通过比较损伤膜面振动信号变化特征和不同母小波与其信号变化特征的相似性，选择morlet母小波对损伤膜面振动信号进行连续小波变换，实现对损伤膜面振动达到最好的时频分析效果，从而反映不同损伤膜面受迫振动条件下在短时间内各个频带信息的快速变化特征。

19、优选地，步骤3中，分别对resnet50浅层网络和深层网络嵌入注意力机制，完成构建改进resnet50残差网络模型，具体方法为：

20、将resnet50残差网络模型分为5个阶段(stage)，输入数据经过resnet50的5个阶段即stage 1、stage 2、stage 3、stage 4、stage 5，进而得到对应输出结果；

21、其中stage 1的结构简单，视其为对输入的预处理，其余阶段都由bottleneck组成，结构相似；

22、stage 2包含3个bottleneck，剩下的stage3、stage 4、stage 5分别包括4、6、3个bottleneck；

23、在stage2-stage5均混合嵌入通道注意力机制和空间注意力机制，即在浅层网络stage2和stage3之间混合嵌入注意力机制，在浅层网络stage3和深层网络stage4之间混合嵌入注意力机制，在深层网络stage4和stage5之间混合嵌入注意力机制，实现构建改进resnet50残差网络模型。

24、优选地，在stage2-stage5均混合嵌入通道注意力机制和空间注意力机制，实现构建改进resnet50残差网络模型，具体为：

25、混合嵌入的注意力机制由通道注意力模块cam和空间注意力模块sam 2个注意力模块组成，其中通道注意力cam负责将注意力资源分配到各卷积通道，空间注意力sam将原始图像中的空间信息传输到特定空间并提取关键信息，使卷积神经网络更加精确地关注对损伤膜面二维图像分类起决定性作用的区域；通过分别对浅层网络和深层网络均混合嵌入注意力机制，实现改进resnet50残差网络模型加强对不同损伤膜面的时频特征提取能力。

26、优选地，混合嵌入的注意力机制由通道注意力模块和空间注意力模块2个注意力模块组成，具体方法为：

27、步骤81：通道注意力机制cam首先使用平均池化(avgpool)和最大池化(maxpool)聚合空间信息，将初始特征h×w×c维数聚合为2个1×1×c的向量，这2个向量分别代表通道平均池化特征和通道最大池化特征；

28、步骤82：将上述2个通道特征向量分别通过具有共享权值的全连接层网络，利用元素求和方法合并输出向量，从而生成通道维度的注意力权重；

29、步骤83：相比通道注意力机制，空间注意力机制sam着重于位置信息，是对通道注意力在h×w维度上的补充；类似的，在通道上使用最大池化和平均池化生成两个h×w×1的特征向量，这2个向量分别代表空间平均池化特征和空间最大池化特征；

30、步骤84：将上述2个空间特征向量分别通过具有共享权值的全连接层网络，利用元素求和方法合并输出向量，从而生成空间维度的注意力权重；

31、步骤85：将堆叠后的通道维度和空间维度特征图通过卷积层生成单通道的空间注意图，对不同损伤膜面的二维图像中需要抑制或增强的位置进行注意力权重分配。

32、优选地，步骤4中，利用迁移学习方法将imagenet预训练模型的参数权重迁移到改进的resnet50残差网络模型进行训练的具体方法为：

33、利用imagenet公开数据集对改进resnet50残差网络模型进行预训练，使用迁移学习方法将imagenet预训练模型作为特征提取网络应用到改进resnet50残差网络模型对不同损伤膜面的二维图像数据集上进行训练，用以提取不同损伤膜面的二维图像的时频特征；

34、通过运用迁移学习减少改进resnet50残差网络模型所需的损伤膜面振动信号二维图像训练数据量和实验平台的计算资源，使得改进resnet50残差网络模型对损伤膜面二维图像进行训练时无须从零开始重新训练和学习。

35、优选地，步骤5中，基于改进resnet50残差网络模型对损伤膜面二维图像进行训练得到预训练模型对不同损伤工况下的膜面振动信号进行分类检测；

36、根据分类结果，分别计算六个评估参数，即训练集和测试集的正确率(accuracy)、训练集和测试集的损失率(loss)、正确分类数(真阳性tp)、假正常分类数(假阴性fn)、正确正常分类数(真阴性tn)以及假分类数(假阳性fp)；

37、结合改进resnet50残差网络模型混合嵌入的注意力机制将最终的模型对测试集上的注意力权重分配进行可视化显示，并输出不同损伤膜面二维图像的注意力特征图。

38、本发明的有益效果在于：

39、(1)本发明结合张拉膜结构膜面振动信号特点，选择morlet连续小波变换将采集的损伤膜面一维振动序列信号转化为损伤膜面的二维图像数据，首次创新性地将深度学习卷积神经网络图像处理模型运用到张拉膜结构振动损伤识别健康检测领域。

40、(2)将注意力机制应用于resnet50残差网络架构，分别对resnet50浅层网络和深层网络混合嵌入注意力机制，完成构建改进resnet50残差网络模型，加强残差网络模型对不同损伤工况下膜面振动信号的识别能力。

41、(3)将迁移学习方法应用于改进resnet50残差网络模型训练中，不仅能够减少构建改进resnet50残差网络模型所需的损伤膜面振动信号二维图像训练数据量和实验平台的计算资源，降低张拉膜结构损伤识别训练成本，还能够使得改进resnet50残差网络模型对损伤膜面二维图像进行训练时无须从零开始重新训练和学习，从而加快网络训练速度，具有训练过程简化快捷、扩展性好且损伤识别精度高的特点。

42、(4)本发明提出的方法将时频分析、图像识别、注意力机制、残差网络和迁移学习方法相结合，具有高效、便捷和低成本的特点，很大程度上摆脱了传统结构动力检测信号处理技术、人工特征提取和专家经验的依赖，是实现张拉膜结构智能动力检测和健康监测的理想方法，在索膜结构进行全面的动力检测和健康监测领域有着广阔的应用前景，可广泛应用于工程实践。