一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法

本发明属于结构健康监测，具体涉及一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法。

背景技术：

1、结构健康监测(structural health monitoring,shm)系统在结构的制造、服役和维护过程中发挥着重要作用。基于振动的结构损伤检测方法作为shm中的一项重要研究课题，近年来引起了众多学者的广泛关注。其核心思想是提取结构的损伤敏感特征，这些特征是结构物理特性(质量、刚度和阻尼系数)的函数，由结构损伤引起的结构物理特性的变化都可以导致损伤敏感特征的变化，进而用于识别损伤。

2、基于深度学习神经网络的结构损伤检测方法为结构健康监测提供了有效的途径。一般基于深度学习神经网络的损伤检测方法都是从结构振动响应中学习损伤特征进而识别损伤。然而，现有方法的有效性受到关键缺点的限制，如：结构在振动测试过程中会产生大量的振动响应数据，这些原始振动响应数据一般维数较高，且冗余信息较多，直接用于神经网络使用可能会造成训练困难、计算效率低等问题；此外，某些结构的响应存在受激励形式影响，使得被测结构的振动响应可能包含的损伤敏感特征不足，使得神经网络的稳定性不高。

3、河海大学的tongwei liu等人在sensors期刊上，名为“a data-driven damageidentification framework based on transmissibility function datasets and one-dimensional convolutional neural networks:verification on a structural healthmonitoring benchmark structure”(doi:10.3390/s20041059)的文章中提出了一种基于传递率函数的深度学习结构损伤检测方法。该研究发现，与传统的基于时域信号和快速傅里叶变换频域信号的数据相比，传递率函数数据包含更重要的损伤相关特征，且传递率函数具有不受激励影响的特性，这使得该方法在损伤识别中具有很高的稳定性。但该文章中使用了整段传递率函数作为一维卷积神经网络的输入，但整段传递率函数存在维数较高的特点，直接使用会导致神经网络模型训练时间较长，泛化能力低等问题。智利大学的sergiocofre-martel等人在shock and vibration期刊上，名为“deep convolutional neuralnetwork-based structural damage localization and quantification usingtransmissibility data”(doi:10.1155/2019/9859281)的文章中提出了一种将传递率函数转化为灰度图像作为二维卷积神经网络的输入实现结构损伤检测方法。其中，图像的每一行是不同测点间的传递率函数。但是，如果测点数量降低，该灰度图像也会相应变小，损伤识别准确率随之降低。

技术实现思路

1、基于神经网络的损伤检测方法从结构响应中学习损伤敏感特征进而识别损伤。结构在服役或振动测试过程中会产生大量的振动响应数据，这些原始振动响应数据一般维数较高，且冗余信息较多，直接使用可能会造成网络模型训练困难、计算效率低等问题。此外，把整段传递率函数作为一维卷积神经网络的输入，虽然在损伤识别中具有很高的稳定性。但使用整段传递率函数用于网络训练仍存在维数较高的特点，直接使用会导致神经网络模型训练时间较长，泛化能力低等问题。将不同测点的传递率函数转化为灰度图像作为二维卷积神经网络的输入结构损伤检测时同样需要大量测点响应来保证足够的传递率函数转化为图像数据，如果测点数量降低，该灰度图像也会相应变小，损伤识别准确率随之降低。

2、为了避免现有技术的不足之处，本发明运用结构所有测点之间的传递率函数构造了包含结构损伤特征的传递率函数矩阵(transmissibility function matrix,tfm)，利用传递率函数矩阵作为二维卷积神经网络的训练数据进行结构损伤监测，提出一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法。该方法利用结构损伤必然导致不相邻测点间的传递率函数对应改变的特性，将所有测点间的原始振动信号转化为表征结构损伤状态的传递率函数构造出具有损伤特征传递率函数矩阵，作为二维卷积神经网络的输入进行训练得到结构的网络模型，将任意结构健康状态下的传递率函数矩阵导入训练完成的结构网络模型即可辨识出属于哪种损伤状态，实现对结构损伤监测的目的。

3、本发明方法仅使用各测点间传递率函数的某一个或某一段函数值，构造维数与测点数量相同的传递率函数矩阵(二维的单值传递率函数矩阵)，即可实现在含有足够的损伤信息的同时大大降低了神经网络的输入维数，使其计算更加高效。另外，传递率函数矩阵可取各测点间传递率函数的多个频率点所对应的函数值进行构造(三维的多值传递率函数矩阵)，在测点数量降低的同时，在其第三维度补充另一部分损伤信息，从而提升损伤识别准确率。由于二维卷积神经网络具有多个卷积核，其对三维矩阵的处理速度与二维矩阵相差不大，所以在提升损伤识别准确率的同时不会加长网络的训练时间。在保证不增加训练时间的前提下，提高了结构损伤监测的识别准确率。

4、本发明的技术方案为：

5、一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法，包括以下步骤：

6、步骤1：采集结构响应

7、采集被测结构在不同健康状态下的时域响应数据，作为衡量结构损伤特征的原始数据。

8、步骤2：响应数据切片处理

9、对步骤1中获得的原始时域响应数据进行切片处理，得到被测结构上各个响应测点在其对应结构健康状态下的响应切片数据。

10、步骤3：构造结构损伤特征矩阵

11、对步骤2中获得的被测结构在某一健康状态下的响应切片数据进行处理，得到在此切片段内响应测点两两之间的传递率函数并装成在传递率函数矩阵。

12、由于传递率函数是频域函数，不同频率对应着不同的函数值。因此可以根据需求选择不同频率个数组装不同的传递率函数矩阵。若仅采用一个频率对应的传递率函数响应值组装传递率函数矩阵，可得到一个二维矩阵形式的传递率函数矩阵，称为s-tfm(single-valued tfm，单值传递率函数矩阵)；若同时采用多个频率对应的传递率函数响应值，并将这些频率点处的传递率函数矩阵进行堆叠组装，可得到一个三维矩阵形式的传递率函数矩阵，称为m-tfm(multivalued tfm，多值传递率函数矩阵)。

13、传递率函数矩阵包含了响应数据的所有传递率函数组合。结构上任意位置处发生损伤时，传递率函数矩阵中总有多个元素会发生变化，即结构损伤状态与传递率函数矩阵一一对应。

14、步骤4：构建样本数据库

15、重复步骤3，对被测结构在不同健康状态下各个切片段的响应切片数据进行处理，最终得到不同健康状态下各个切片段的传递率函数矩阵s-tfm或m-tfm，即可构成深度学习神经网络的样本数据库。

16、步骤5：深度学习神经网络训练

17、将步骤4中得到的样本数据库的数据(s-tfm或m-tfm)导入深度学习神经网络进行训练，最终得到包含不同健康状态的神经网络模型。根据模型损伤信息的不同，可根据训练时间和准确率选择s-tfm还是m-tfm作为训练数据，理论上m-tfm中的频率个数越多，反应结构损伤特征的信息越多，即通过训练后得到的网络模型越准确。

18、步骤6：结构损伤监测

19、将结构在任意状态下的时域响应数据进行采集，按照步骤2和步骤3处理后得到该状态下的传递率函数矩阵，将得到的传递率函数矩阵输入训练好的结构网络模型识别得到该状态属于哪种健康状态，最终实现对结构的损伤监测。

20、进一步的，步骤1中，时域响应包括位移响应、速度响应、加速度响应。

21、进一步的，步骤2中，对于被测结构在某一健康状态下，n个测点获得的原始时域响应分别为a1(t),a2(t),…,an(t)，对整体n个测点的时域响应在时间上进行切片处理，一共切成nc个采样点长度为nd的时域响应数据片段。

22、进一步的，步骤3中，对被测结构某一健康状态下的一个切片片段中的时域响应数据进行处理，得到该片段内n个测点两两之间的传递率函数tkl(ω)，tkl(ω)表示测点k处的响应与测点l处响应之间的传递率函数，ω为频率值；将n个测点相互之间的传递函数组装，得到包含结构损伤特征的关于频率ω的传递率函数矩阵t(ω)为：

23、

24、若仅采用一个频率值组装传递率函数矩阵，则传递率函数矩阵为单值传递率函数矩阵s-tfm，若同时采用多个频率值，则有多个二维传递率函数矩阵在第三个维度上进行堆叠组装，得到多值传递率函数矩阵m-tfm。

25、进一步的，单值传递率函数矩阵s-tfm中的所有传递率函数值均选择结构未损伤时固有频率点处所对应的传递率值。

26、进一步的，单值传递率函数矩阵s-tfm中的所有传递率函数值均选择传递率函数响应峰值处对应的传递率值。

27、进一步的，多值传递率函数矩阵m-tfm的形成过程为：

28、首先采用结构未损伤时的固有频率点对应的传递率值作为传递率函数值构造二维传递率函数矩阵；

29、再采用结构未损伤时的固有频率点两侧的相邻频率点对应的传递率值作为传递率函数值构造多个二维传递率函数矩阵；

30、最后将构造的二维传递率函数矩阵在三维方向叠加，形成最终的三维的多值传递率函数矩阵。

31、进一步的，多值传递率函数矩阵m-tfm的形成过程为：

32、首先采用传递率函数响应峰值处对应的传递率值作为传递率函数值构造二维传递率函数矩阵；

33、再采用传递率函数响应峰值两侧的相邻频率点对应的传递率值作为传递率函数值构造多个二维传递率函数矩阵；

34、最后将构造的二维传递率函数矩阵在三维方向叠加，形成最终的三维的多值传递率函数矩阵。

35、进一步的，步骤6中，对结构在任意状态下的时域响应数据进行处理的方式，与得到训练深度学习神经网络所采用的样本数据库的处理方式相同。

36、一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

37、一种计算机系统，包括：一个或多个处理器，计算机可读存储介质，用于存储一个或者多个程序，其中，当所述一个或者多个程序被所述一个或者多个处理器执行时，使得所述一个或者多个处理器实现如上所述的方法。

38、一种计算机程序，包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

39、有益效果

40、本发明的有益效果在于：本发明提出基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法，使用所有测点间的传递率函数值构造传递率函数矩阵作为输入，且该矩阵中每一个元素仅为传递率函数的某一个值或某一段值，大大降低了网络的输入维数。二维卷积神经网络对低维矩阵的处理速度远高于高维数组，所以以传递率函数矩阵为维卷积神经网络的输入能加速网络的训练过程。另外，当结构测点较少时，本发明方法可在测点数量减少时通过构造多值传递率函数矩阵，即传递率函数矩阵在第三维度上增加维数，从而避免了在第一、二维度上增加维数(卷积神经网络的计算速度受第一、二维度的维数影响较大，第三维度的维数对其计算速度的影响可以忽略不计)，以此来增加与结构损伤相关的损伤信息，实现提升损伤识别准确率的目的。

41、本发明原理简单，效果明显，为未来结构健康监测的工程应用提供了新的思路，且在结构健康监测方面应用前景广阔。

42、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。