一种基于Deep-FCSVDD的拉索结构实时早期预警方法

本发明属于拉索结构实时预警，尤其涉及一种基于深度全卷积支持向量数据描述模型的拉索结构实时早期预警与损伤定位。

背景技术：

1、拉索结构因其高承载能力和良好的空气动力学/抗震性能，已广泛应用于大跨度桥梁、建筑屋顶、体育场馆等结构的设计和建造。实际中，与传统梁柱不同，拉索的设计使用年限通常较短，拉索的实际使用年限往往更短。拉索更容易损伤，并且拉索失效可能直接导致整体结构倒塌。因此，提早检测拉索中的潜在损伤至关重要。

2、拉索经常由于断丝、锚头松动、腐蚀等原因损伤。目前，拉索损伤检测方法主要有三种：基于振动响应的方法、基于静力参数的方法和无损检测方法。由于振动响应(如加速度和位移)的测试精度高、成本低，因此基于振动的拉索损伤检测方法应用非常广泛。提取的振动频率或索力被作为损伤指标，当它们出现突变且不可恢复的下降时，可认为拉索出现损伤。但是，这些指标对轻微损伤不够敏感，异常变化可能被噪声掩盖。应变计测得的应变和压力传感器测得的索端压力是另一类损伤指标，但两者安装和移除不便。无损检测技术如声发射、漏磁检测、导波检测由于检测精度高，也可用于拉索结构的现场检测，但设备昂贵、操作复杂，部分技术不适合长期监测。深度学习方法由于其强大的特征提取能力，可以从白噪声激励下的结构振动响应中提取到轻微损伤特征，适合用于拉索的实时早期损伤预警。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于deep-fcsvdd的拉索结构实时早期预警方法。该方法针对拉索结构中(包括斜拉桥、悬索桥)单根或者多根拉索的在线监测。

2、本发明的技术方案：

3、一种基于deep-fcsvdd的拉索结构实时早期预警方法，步骤如下：

4、s1、收集拉索结构中每一根拉索的侧向加速度响应；

5、s1.1、拉索侧向加速度响应是指垂直于车流方向的拉索加速度响应，采用加速度计进行加速度响应的采集，其采样频率一般取100hz；

6、s2、对每一根拉索的加速度响应进行独立的数据集分割，并对产生的每一个数据集中的加速响应进行预处理，每一根拉索都对应一个训练集、一个验证集和一个测试集；

7、对每一根拉索的加速度响应进行独立的数据集分割：

8、s2.1、对收集到的拉索健康和未知(包含健康和损伤)两种状态下的加速度响应进行数据集划分，按比例划分为三个数据集，分别为训练集、验证集和测试集，其中训练集和验证集分别用于deep-fcsvdd模型的训练与模型的选择，它们中只能包含拉索健康状态下的数据，测试集中包含拉索未知状态(包含健康和损伤)下的数据，并将其用于测试算法对于拉索早期预警的性能；

9、s2.1.1、健康状态是指拉索没有发生损伤的状态，未知状态是指拉索有可能已经发生损伤但未发现，需要进一步判断的状态。

10、对s2.1中产生的每一个数据集中的加速响应进行预处理：

11、s2.2、预处理包括数据增广与频域处理两个步骤，数据增广用于扩充数据集提升模型精度，频域预处理用于提取加速度响应中的有效信息降低模型的学习难度；

12、s2.2.1、数据增广是指对拉索加速度响应的时域信号进行滑动窗口式的切片，首先选取一个大小为nt的初始窗口，将窗口中包含的时域数据点作为一个样本，然后将窗口沿着时间轴的正方向以特定步长移动，移动后窗口包含的数据点作为一个新的样本，重复进行窗口移动，直到窗口达到数据的末尾。

13、步骤s2.2.1中初始窗口nt的大小需要根据拉索的基频确定，其计算方式如下：

14、

15、其中，f代表拉索的基频，δf频率分辨率要求不低于f的1％，fs代表采样频率，取100hz，代表向下取整，fmax代表选取频带的最高频率，fmin代表选取频带的最低频率；

16、s2.2.2、频域预处理是指将s2.2.1中的样本通过快速傅里叶变换转换到频域，并求出其功率谱密度psd，然后在psd中截取一个信噪比高的频带，最后将截取的频带内的psd数据标准化即完成了频域预处理。

17、s3、将所有拉索的三个数据集复制一份并按照类别将复制后的数据集混合在一起，形成一个总体训练集、一个总体验证集和一个总体测试集，并使用这三个总体数据集训练与测试一维全卷积自编码器(one-dimensional fully convolutional auto-encoder，1d-cae)，最后保存1d-cae的最佳权重；

18、s3.1、将所有拉索的三个数据集复制一份并按照类别将复制后的数据集混合在一起是指将所有拉索的训练集复制一份并将复制后的数据集混在一起后随机打乱，验证集和测试集与训练集同理。

19、s3.2、使用这三个总体数据集训练与测试1d-cae是指构建一个1d-cae，然后使用s3.1中构建的总体训练集和验证集对模型进行训练与选择，最终保存选择的最佳权重。

20、其中，1d-cae主要由编码器和解码器组成，编码器部分由一维卷积层、一维标准化层、一维最大值池化层和两种非线性激活函数组成，详细架构为：输入->一维卷积层->一维标准化层->leakyrelu->一维最大池化层->一维卷积层->一维标准化层->leakyrelu->一维最大池化层->一维卷积层->一维标准化层->leakyrelu->一维最大池化层->一维卷积层->relu->低维特征；解码器部分由一维转置卷积层、一维标准化层、上采样层和两种非线性激活函数组成，详细架构为：低维特征->一维转置卷积层->一维标准化层->leakyrelu->上采样层->一维转置卷积层->一维标准化层->leakyrelu->上采样层->一维转置卷积层->一维标准化层->leakyrelu->上采样层->一维卷积层->tanh->重构输入；

21、原始deep-svdd模型中采用含有全连接层的2维卷积自编码器，只有使用一维卷积层和relu将其全连接层替换才能使得1d-cae从振动响应中提取的低维特征保持可解释性，进而才能使用步骤s7中提出的可解释损伤指标；

22、s4、为每一根拉索都建立一个deep-fcsvdd模型，模型的架构为1d-cae的编码器部分，初始权重为s3中保存的1d-cae的最佳权重。将每一根拉索的训练集和测试集输入对应的初始化deep-fcsvdd模型得到数据集中每一个样本在低维特征空间中的特征，然后将这些低维特征取平均值得到中心向量，利用中心向量和deep-fcsvdd模型的输出定义损失函数；

23、s4.1、为每一根拉索都建立一个deep-fcsvdd模型指的是，为每一根拉索都建立一个具有相同网络架构的deep-fcsvdd模型。

24、s4.2、模型的架构为1d-cae的编码器部分指的是将1d-cae中编码器部分从1d-cae模型中分离出来然后作为deep-fcsvdd模型的网络架构，1d-cae模型中的其他部分直接被丢弃。

25、s4.2、初始权重为s3中保存的1d-cae的最佳权重指的是将1d-cae中编码器部分的权重按照网络模块的名字对应复制到deep-fcsvdd模型中，并且每一根拉索定义并初始化的deep-fcsvdd模型完全相等。

26、s4.2、将每一根拉索的训练集和测试集输入对应的初始化deep-fcsvdd模型得到数据集中每一个样本在低维特征空间中的特征，这句话指的是在开始更新deep-fcsvdd模型的权重前需要使用某一根拉索对应的初始化deepfcsvdd模型在对应的训练集和测试集上进行一次推理得到低维特征。

27、s4.2.1、低维特征是指deep-fcsvdd模型的输出维度小于输入维度。

28、s4.3、将这些低维特征取平均值得到中心向量指的是将s4.2中得到的所有低维特征(向量)按行堆叠后按行取平均。

29、s4.4、利用中心向量和deep-fcsvdd模型的输出定义损失函数，这句话指的是在训练deep-fcsvdd模型时，模型的输出与中心向量将被用于计算其欧式距离并将该距离作为损失函数。

30、s5、调整超参数，将上述为每一根拉索建立的训练集和验证集输入对应的deep-fcsvdd模型进行训练；

31、s5.1、训练过程中超参数的设定，包括初始学习率、训练最大轮数、批处理数量、模型收敛准则、momentum和weightdecay；

32、s5.2、判断在训练过程中，损失函数是否随迭代增加而趋于收敛；若满足收敛，则进入步骤s5.3；若不满足收敛，则返回s5.1，调整参数后继续训练；

33、s5.3、验证集结果指标是否满足要求；若验证集预测结果达到要求，则进入步骤s6；若不满足，则返回s5.1，调整参数后继续训练；

34、s6、完成deep-fcsvdd模型的训练，保存验证集最佳结果对应的训练权重参数；

35、s7、根据定义的损伤指标和预警阈值进行每一根拉索的实时预警；

36、s7.1、损伤指标包含两个部分第一部分为根据自相关函数定义的dia，用于检测大损失，第二部分为根据互相关函数定义的dic用于检测小损伤。

37、dia和dic的计算方式如下：

38、dia(x)＝argpeak(rz(x))-argpeak(rc)(4)

39、dic(x)＝argmax(rz(x),c)(5)

40、其中，argpeak代表第一个峰值的横坐标，argmax代表最大值的横坐标，z(x)代表deep-fcsvdd的输出，rz(x)代表关于z(x)的自相关函数，rc代表关于c的自相关函数，rz(x),c代表关于z(x)和c的互相关函数；

41、s7.2、预警阈值指的是根据每一根拉索对应的训练集和验证集计算对应的损伤指标，然后通过3σ原则确定损伤阈值。

42、本发明的有益效果：本发明的拉索结构实时早期预警方法基于deep-fcsvdd模型强大的提取低维特征的能力，提出了两个可解释的损伤指标，实现了拉索实时早期预警。为了降低网络的训练难度，本发明对原始的加速响应进行了频域预处理，通过选择适当的频带实现了保留有效信息的同时大大降低了网络的训练难度。网络结构方面，通过使用1d-cae，保留了低维特征的可解释性，并基于此提出两个可解释损伤指标，解决了拉索之间由于索力重分布而产生的相互影响。基于以上所述，本发明提出的deep-fcsvdd拉索实时早期预警方法，能够对拉索发生的微小损伤进行及时预警，并有望在工程实践中应用此发明进行拉索损伤的实时早期预警。