CN110046379A - 一种基于空间-频率信息的结构整体损伤识别方法 - Google Patents

一种基于空间-频率信息的结构整体损伤识别方法 Download PDF

Info

Publication number
CN110046379A
CN110046379A CN201910158814.0A CN201910158814A CN110046379A CN 110046379 A CN110046379 A CN 110046379A CN 201910158814 A CN201910158814 A CN 201910158814A CN 110046379 A CN110046379 A CN 110046379A
Authority
CN
China
Prior art keywords
damage
sample
wind
neural networks
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910158814.0A
Other languages
English (en)
Other versions
CN110046379B (zh
Inventor
段元锋
陈潜溢
章红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910158814.0A priority Critical patent/CN110046379B/zh
Publication of CN110046379A publication Critical patent/CN110046379A/zh
Application granted granted Critical
Publication of CN110046379B publication Critical patent/CN110046379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于空间‑频率信息的结构整体损伤识别方法，包括如下步骤：S1)搭建数值模型并生成风场；S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上；S3)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上；S4)对样本进行标准化；S5)对样本进行卷积神经网络的训练和测试。本发明的优点为：用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应转换到频域上作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。

Description

一种基于空间-频率信息的结构整体损伤识别方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于空间-频率信息的结构整体损伤识别方法。
背景技术
目前，结构损伤监测分为结构局部损伤监测和结构整体损伤监测。结构局部损伤监测是利用传感器或者人工方式检查结构局部构件的安全状况；结构整体损伤监测是利用结构位移、自然频率、振型模态、模态曲率等评估结构整体的刚度，对使用情况以及使用性能进行评价。结构整体损伤监测能够更好地反映结构的性能，对于结构管养单位来说也能更好地评估结构整体安全水平。
传统的基于结构动力特性的损伤识别算法通常需要对结构损伤和结构动力的特性关系进行复杂的公式推导，对于不同的结构，动力特性与损伤的关系各不相同。对于复杂结构来说，相关的理论推导会大大提高该方法的使用门槛，并且结构的损伤往往同时影响其基频、模态以及模态曲率等，因此单一地根据某些动力特性进行损伤识别很难得到较好的准确度，且这些特性在提取过程中往往会受到干扰导致失真，损伤识别结果精确度有待提高。
在传统的损失识别算法的基础上，采用较为原始的加速度响应时程数据能更好地避免信息的丢失，但是时程数据对于动力特性的展现不太直接，也有缺陷。
发明内容
本发明的目的是提供一种应用于土木工程领域的、基于结构加速度响应频域信息及卷积神经网络的结构整体损伤识别方法。
为了达到上述目的，本发明通过以下技术方案来实现：
一种基于空间-频率信息的结构整体损伤识别方法，包括如下步骤：
S1)搭建数值模型并生成风场
搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；
根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力；
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上
随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程；
S3)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上
将各点的加速度响应进行快速傅立叶变换并转换到频域上，将每一点变换后的各个频率下FFT结果的复数的模列成一行，各点的数值组合在一起构成矩阵，即构成某个损伤下的样本；
S4)对样本进行标准化
将矩阵中的所有数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为其中，Fm(ωn)代表m点的加速度时程的傅立叶变换后频谱上频率ωn对应值的模，代表标准化之后样本中第m行、n列的值；
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量；
S5)对样本进行卷积神经网络的训练和测试
将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练；
卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中；
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。
进一步地，步骤S2)中，卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
进一步地，步骤S5)中，卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为其中fij代表第i个样本对应的标签上的第j个数值，yij代表卷积神经网络在第i个样本的损伤预测向量上的第j个数值。
进一步地，步骤S5)中，卷积层采用Leaky Relu激活函数，公式为其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
本发明与现有技术相比，具有以下优点：
本发明一种基于空间-频率信息的结构整体损伤识别方法，用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应转换到频域上作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。
附图说明
图1是本发明一种基于空间-频率信息的结构整体损伤识别方法的卷积神经网络的结构示意图。
图2是本发明一种基于空间-频率信息的结构整体损伤识别方法的针对拱桥吊杆损伤识别的流程示意图。
具体实施方式
下面结合附图，对本发明的实施例作进一步详细的描述。
本发明一种基于空间-频率信息的结构整体损伤识别方法，利用结构上的加速度传感器对结构在风力下的加速度时程响应进行采集，涉及提供设计的卷积神经网络，一种生成训练集的新方法以及通过数值模型生成其训练集、验证集以及测试集的方式，能有效提高卷积神经网络在结构损伤识别上的训练效率和泛化能力。
一种基于空间-频率信息的结构整体损伤识别方法，包括如下步骤：
S1)搭建数值模型并生成风场
搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；因考虑到社会安全以及成本，真实的结构无法人为地引入多种损伤工况，因此需要在结构的数值模型上引入损伤，然后在数值结构上施加模拟的风荷载。
根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力。由于静风力不产生加速度，则不用考虑；并且由于实际结构所受到的平均风速是随机的，因此对于用于训练的样本，生成时采用的平均风速与用于测试时采用的不相同。
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上
随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程。
卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
S3)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上
将各点的加速度响应进行快速傅立叶变换并转换到频域上，将每一点变换后的各个频率下FFT结果的复数的模列成一行，各点的数值组合在一起构成矩阵，即构成某个损伤下的样本。
S4)对样本进行标准化
将矩阵中的所有数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为其中，Fm(ωn)代表m点的加速度时程的傅立叶变换后频谱上频率ωn对应值的模，代表标准化之后样本中第m行、n列的值。这样可保证所有样本中的数值均在0-1之间，保证了不同样本分布之间没有较大的差别，提高了卷积神经网络的学习效率。
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量。
S5)对样本进行卷积神经网络的训练和测试
将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练。
如图1所示，卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中。
卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为其中fij代表第i个样本对应的标签上的第j个数值，yij代表卷积神经网络在第i个样本的损伤预测向量上的第j个数值。
卷积层采用Leaky Relu激活函数，公式为其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标，对各点损伤程度的预测精度达到要求。
为实现本识别方法在实际结构中的应用，需要将真实结构上采集的加速度响应作为训练后的卷积神经网络的输入，前提是保证用于生成训练集的数值模型能较好地还原实际结构的风荷载下的振动情况。
如图2所示，以拱桥吊杆为例阐述拱桥吊杆结构损伤识别的流程。
步骤S01，通过脉动风随机风场仿真理论，构建并生成含有多种平均风速下各点脉动风时程的风速数据集作为训练集的风速数据库，同时也生成一组含有其他不同平均风速的风速时程数据集作为测试集风速数据库。
步骤S02，选择拱桥模型中任意三根或三根以下的吊杆，以减小其截面积的方式引入损伤，并且根据截面折减率定义不同的损伤程度，为使得训练集更加完备，将不同损伤位置和单根吊杆不同损伤程度的各种组合完备性地生成，这将产生大量的结构模型作为训练集的结构数据库。同时取一些与训练集不同的吊杆折减率作为模型中三根或三根以下的吊杆损伤程度，将这些样本作为测试集的结构数据库。
步骤S03，从训练集的结构数据中，选择一个损伤结构，并从训练集的风速数据库中随机选择一组风速时程数据，计算竖向的风荷载抖振力，加载到该结构上，得到一组桥上各点的竖向加速度时程，同时将这组时程对应的损伤标签与其对应存储下来。按同样的步骤完成训练集中所有损伤结构的随机风荷载下的响应生成，构成训练集的加速度响应时程数据库。对于测试集按照同样的步骤，不过数据库需要改成测试集的风速和结构数据库，生成测试集的加速度响应时程数据库。
步骤S04，将S03中生成的加速度响应，对桥上每一点的竖向加速度时程进行快速傅立叶变换，将频域上各频率点上的模作为矩阵的一行，由于有多个点，按点的编号顺序排成矩阵。
步骤S05，对矩阵进行标准化处理，公式为
其中Fm(ωn)代表m点的加速度时程的傅立叶变换后频率ωn对应的的模，代表标准化之后样本中第m行，n列的值。标准化后的矩阵作为卷积神经网络的输入样本，将所有的训练集和测试集的加速度响应时程数据库按以上步骤进行预处理，分别得到最终的训练集样本和测试集样本。
步骤S06，从训练集的最终样本中选择20％作为验证集，剩余作为训练集输入到设计的卷积神经网络中进行训练，训练采用小批量随机梯度下降法，即每次训练从训练集中随机选择一定数量(图例中选择128个样本)计算所有这个小批量中标签和网络输出向量的均方差值，进行反向传播计算梯度训练网络。训练的结果通过对验证集进行损伤预测得到，通过查看验证集的误差随训练代数的变化，调整卷积神经网络的参数，如卷积核大小、池化窗口大小、学习率大小等。目的在于优化网络结构，达到最小的预测误差。
本方案中，测试集由数值模型生成。但由于生成测试集的平均风速以及损伤程度与训练集均不一样，测试集的效果能表征该神经网络对于任意平均风速下任意损伤程度结构的损伤识别情况。为将此方法拓展到实际工程项目中，前提是保证数值模型能够很好地反映真实结构模型的动力特性，那么训练所得的神经网络将能够对真实结构的损伤进行很好的预测。使用时只需要将真实结构上采集的加速的时程进行步骤S04与S05相同的转化，将这个样本输入到训练好的神经网络中，无需经过最后的代价函数，直接将最后一层网络的输出作为预测值，就能够得到对于此样本的损伤进行预测。
需指出，本方法的设计初衷在于，通过加速度响应得到的损伤预测可作为实际桥梁以及其他结构监测的参考；卷积神经网络判断得到的损伤程度可指导实际的结构检修方案；配合局部检测方法，可以快速定位结构最可能出现损伤的部位，对判断出现的损伤部位进行详细的检测，提高结构检测效率。
以上所述仅是本发明优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (4)

1.一种基于空间-频率信息的结构整体损伤识别方法，其特征在于包括如下步骤：
S1)搭建数值模型并生成风场
搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；
根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力；
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上
随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程；
S3)将加速度响应从时域通过快速傅立叶变换(FFT)转到频域上
将各点的加速度响应进行快速傅立叶变换并转换到频域上，将每一点变换后的各个频率下FFT结果的复数的模列成一行，各点的数值组合在一起构成矩阵，即构成某个损伤下的样本；
S4)对样本进行标准化
将矩阵中的所有数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为其中，Fm(ωn)代表m点的加速度时程的傅立叶变换后频谱上频率ωn对应值的模，代表标准化之后样本中第m行、n列的值；
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量；
S5)对样本进行卷积神经网络的训练和测试
将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练与验证；
卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中；
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。
2.根据权利要求1所述的一种基于空间-频率信息的结构整体损伤识别方法，其特征在于：
步骤S2)中，卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
3.根据权利要求1所述的一种基于空间-频率信息的结构整体损伤识别方法，其特征在于：
步骤S5)中，卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为其中fij代表第i个样本对应的标签上的第j个数值，yij代表卷积神经网络在第i个样本的损伤预测向量上的第j个数值。
4.根据权利要求1所述的一种基于空间-频率信息的结构整体损伤识别方法，其特征在于：
步骤S5)中，卷积层采用Leaky Relu激活函数，公式为其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
CN201910158814.0A 2019-03-04 2019-03-04 一种基于空间-频率信息的结构整体损伤识别方法 Active CN110046379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910158814.0A CN110046379B (zh) 2019-03-04 2019-03-04 一种基于空间-频率信息的结构整体损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910158814.0A CN110046379B (zh) 2019-03-04 2019-03-04 一种基于空间-频率信息的结构整体损伤识别方法

Publications (2)

Publication Number Publication Date
CN110046379A true CN110046379A (zh) 2019-07-23
CN110046379B CN110046379B (zh) 2021-01-19

Family

ID=67274454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910158814.0A Active CN110046379B (zh) 2019-03-04 2019-03-04 一种基于空间-频率信息的结构整体损伤识别方法

Country Status (1)

Country Link
CN (1) CN110046379B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490249A (zh) * 2019-08-16 2019-11-22 哈尔滨工业大学 基于属性类别关系和少样本元学习的结构损伤识别方法
CN111210409A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于条件生成对抗网络的结构损伤识别方法
CN111738154A (zh) * 2020-06-23 2020-10-02 广西大学 一种基于rnn的大型土木工程加速度响应时频域分解方法
CN112131781A (zh) * 2020-08-26 2020-12-25 浙江工业大学 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN113011763A (zh) * 2021-03-29 2021-06-22 华南理工大学 一种基于时空图卷积注意力的桥梁损伤识别方法
CN116244803A (zh) * 2023-02-22 2023-06-09 合肥工业大学 基于物理和数据双驱动的桥梁内部响应重构方法
CN117349601A (zh) * 2023-12-06 2024-01-05 济南大学 一种基于压电振动波的混凝土损伤分类方法及***
CN117910120A (zh) * 2024-03-20 2024-04-19 西华大学 基于轻量化Transformer的风-桥***抖振响应预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833596A (zh) * 2010-03-31 2010-09-15 桂林电子科技大学 矩形和圆形截面梁类结构两个损伤定量识别的方法
CN103116759A (zh) * 2013-02-01 2013-05-22 北京工业大学 一种适用于空间网格结构的损伤识别方法
CN105865522A (zh) * 2016-04-05 2016-08-17 江苏道亿智能科技有限公司 桥梁结构监测***
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法
CN108376184A (zh) * 2018-01-05 2018-08-07 深圳市市政设计研究院有限公司 一种桥梁健康监控的方法及***
US20190017911A1 (en) * 2017-07-11 2019-01-17 Qatar University Real-time structural damage detection by convolutional neural networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833596A (zh) * 2010-03-31 2010-09-15 桂林电子科技大学 矩形和圆形截面梁类结构两个损伤定量识别的方法
CN103116759A (zh) * 2013-02-01 2013-05-22 北京工业大学 一种适用于空间网格结构的损伤识别方法
CN105865522A (zh) * 2016-04-05 2016-08-17 江苏道亿智能科技有限公司 桥梁结构监测***
US20190017911A1 (en) * 2017-07-11 2019-01-17 Qatar University Real-time structural damage detection by convolutional neural networks
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法
CN108376184A (zh) * 2018-01-05 2018-08-07 深圳市市政设计研究院有限公司 一种桥梁健康监控的方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
OSAMA ABDELJABER ET AL.: ""Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks"", 《JOURNAL OF SOUND AND VIBRATION》 *
RIH-TENG WU ET AL: ""Deep Convolutional Neural Network for Structural Dynamic Response Estimation and System Identification"", 《JOURNAL OF ENGINEERING》 *
YUYIN QIAN ET AL.: ""Acceleration-based damage indicators for building structures using neural network emulators"", 《STRUCTURAL CONTROL AND HEALTH MONITORING》 *
卢伟 等: ""风力作用下的大跨空间结构损伤识别方法"", 《第十四届全国结构风工程学术会议论文集（中册）》 *
杨敏: ""基于ANSYS的大跨度四塔悬索桥风致颤振及抖振研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
江定宇: ""大跨度桥梁的精细化损伤识别研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490249A (zh) * 2019-08-16 2019-11-22 哈尔滨工业大学 基于属性类别关系和少样本元学习的结构损伤识别方法
CN111210409A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于条件生成对抗网络的结构损伤识别方法
CN111210409B (zh) * 2019-12-30 2022-08-23 浙江大学 一种基于条件生成对抗网络的结构损伤识别方法
CN111738154A (zh) * 2020-06-23 2020-10-02 广西大学 一种基于rnn的大型土木工程加速度响应时频域分解方法
CN111738154B (zh) * 2020-06-23 2022-08-05 广西大学 一种基于rnn的大型土木工程加速度响应时频域分解方法
CN112131781A (zh) * 2020-08-26 2020-12-25 浙江工业大学 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN113011763A (zh) * 2021-03-29 2021-06-22 华南理工大学 一种基于时空图卷积注意力的桥梁损伤识别方法
CN116244803A (zh) * 2023-02-22 2023-06-09 合肥工业大学 基于物理和数据双驱动的桥梁内部响应重构方法
CN116244803B (zh) * 2023-02-22 2023-09-12 合肥工业大学 基于物理和数据双驱动的桥梁内部响应重构方法
CN117349601A (zh) * 2023-12-06 2024-01-05 济南大学 一种基于压电振动波的混凝土损伤分类方法及***
CN117349601B (zh) * 2023-12-06 2024-03-05 济南大学 一种基于压电振动波的混凝土损伤分类方法及***
CN117910120A (zh) * 2024-03-20 2024-04-19 西华大学 基于轻量化Transformer的风-桥***抖振响应预测方法

Also Published As

Publication number Publication date
CN110046379B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN110046379A (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN112001110B (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN109447263B (zh) 一种基于生成对抗网络的航天异常事件检测方法
CN108333208A (zh) 一种整机级产品贮存寿命加速试验方法
US11709979B1 (en) Bridge damage identification method considering uncertainty
CN110160789B (zh) 一种基于ga-enn的风电机组轴承故障诊断方法
CN107203467A (zh) 一种分布式环境下监督学习算法的基准测试方法和装置
CN114563150B (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
CN104035431B (zh) 用于非线性过程监控的核函数参数的获取方法和***
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、***、设备及存储介质
CN109885854A (zh) 基于arma模型的颤振边界实时预测***及预测方法
US20220261655A1 (en) Real-time prediction method for engine emission
CN114169374B (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
Andrade Nunes et al. A hybrid learning strategy for structural damage detection
CN102759573A (zh) 基于频率变化的结构损伤定位与损伤程度的评估方法
CN110688617A (zh) 风机振动异常检测方法及装置
CN109558621A (zh) 一种结构损伤识别方法及***
CN115577436A (zh) 一种求解不确定结构风致振动响应的组合深度学习方法
CN109506965A (zh) 焊接空间网架结构节点焊缝损伤分步诊断方法
CN113935384B (zh) 一种信号自适应分解和识别的桥梁健康监测方法及***
CN116168720A (zh) 一种电机声音异常故障诊断方法、***、及可存储介质
CN109359803B (zh) 一种可靠性评估方法和装置
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
CN108287964A (zh) 一种基于加速度内积向量的灰云推理结构损伤识别方法
CN105426665B (zh) 基于状态监测的动态可靠度确定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant