本发明公开了基于回声状态与多尺度卷积联合模型的结构损伤识别方法,基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强;回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断。本发明能够有效地提取结构振动响应数据之间的时间先后依赖性和空间相关性,从而准确地判别结构是否损伤以及损伤的程度,该方法科学高效;能够实时估计结构的损伤性质,掌握结构安全状态,预防灾害事故发生,保证了结构工程运营的安全。
1.基于回声状态与多尺度卷积联合模型的结构损伤识别方法,其特征在于,包括:S1、利用多个设置在不同位置的传感器采集结构振动响应信息;S2、基于滑动窗口重叠的方式对每个传感器采集的结构振动响应信息进行数据增强;步骤S2包括:S201、对结构振动响应信息进行快速傅里叶变换得到结构基频fmax;S202、基于下式计算滑动窗口窗长m的取值范围并完成取值:式中,fs表示信号的采样频率;S203、将结构振动响应信息用窗长为m的滑动窗口按时间先后以预设步长移动,依次截取得到全部样本;S3、增强后的每个传感器采集的结构振动响应信息输入回声状态网络和多尺度卷积神经网络联合模型;S4、回声状态网络和多尺度卷积神经网络联合模型基于每个传感器采集的结构振动响应信息的时间前后依赖性特征以及不同传感器采集的结构振动响应信息之间的空间相关性特征信息进行损伤状态判断;回声状态网络和多尺度卷积神经网络联合模型中,回声状态网络包括作为输入端的储备池及作为输出端的维度转换层,维度转换层包括两个第一全连接层;多尺度卷积神经网络包括作为输入端的多尺度卷积层及作为输出端的全局最大池化层;回声状态网络和多尺度卷积神经网络的输出端分别与特征融合层输入端相连,特征融合层的输出端通过两个依次连接的第二全连接层后与分类器相连;步骤S4包括:S401、对样本进行降噪及归一化处理;S402、利用回声状态网络提取时序序列的时间前后依赖性特征;S403、利用多尺度卷积神经网络提取时序序列的空间相关性特征。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311399.html,转载请声明来源钻瓜专利网。