CN112131781B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112131781B CN112131781B CN202010869971.5A CN202010869971A CN112131781B CN 112131781 B CN112131781 B CN 112131781B CN 202010869971 A CN202010869971 A CN 202010869971A CN 112131781 B CN112131781 B CN 112131781B
- Authority
- CN
- China
- Prior art keywords
- damage
- steel structure
- neural network
- transfer rate
- model
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 143
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 93
- 239000010959 steel Substances 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000012546 transfer Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 230000001133 acceleration Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 69
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，利用ANSYS软件对钢结构框架结构模型进行瞬态分析，得到不同损伤位置和损伤程度下钢结构框架结构的节点加速度，通过MATLAB软件得到传递率函数变化量。将传递率函数变化量作为全连接神经网络的输入参数得到钢结构各检测位置的损伤指标值。进一步的，通过钢结构框架损伤检测实验进行实验验证。结果表明，新方法与传统的传递率函数法相比，所有位置的钢结构损伤识别率平均提高了26.3％，能更准确与全面地识别钢结构各位置的损伤情况，对钢结构损伤位置进行精确定位。
Description
技术领域
本发明属于钢结构损伤检测领域，具体涉及一种基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法。
背景技术
大型钢结构(例如桥梁或多层建筑)在其使用寿命期内，钢结构焊接处由于内部应力容易产生裂纹，钢结构连接处由于冲击载荷容易发生螺栓松动，为了确保这些结构的安全性和可靠性，防止灾难性事故的发生，进行早期可靠的损伤检测和健康评估是极为重要的，而超声波、涡流、X射线和漏磁检测可能涉及高成本和间歇性勘探。
传递率函数指的是检测结构中两个不同检测位置之间的频域响应之比或者能量比，用来评估结构状态的重要参数。由于传递率函数本质上是对结构局部性质的反应，因此，通过传递率函数对结构分区的损伤检测能够准确地定位出结构的局部损伤，进而实现大型复杂结构损伤分区的检测。损伤结构分区之后，每次检测过程都只需在一个较小的区域内进行，因此，利用有限个数量的传感器就能够完成对大型损伤结构的检测。
在作者之前的研究中，一种基于传递率函数及小波分析的钢结构损伤检测方法成功地识别出钢结构特定位置的损伤，但是现有的传递率函数法对钢结构损伤检测不全面、不精确。因此，需要提供一种基于全连接神经网络模型与传递率函数相结合的钢结构损伤检测方法。
发明内容
为了克服现有技术的不足，本发明提供一种基于全连接神经网络模型与传递率函数相结合的钢结构损伤检测方法，利用ANSYS软件对钢结构框架结构模型进行瞬态分析，得到垂直于检测面的节点加速度，通过MATLAB软件对各节点加速度进行傅里叶变换、频谱相除得到传递率函数，再将传递率函数相减得到传递率函数变化量。将传递率函数变化量作为全连接神经网络的输入参数，采用反向传播对误差进行修正，从而得到钢结构各检测位置的损伤指标值。通过钢结构框架损伤检测实验，对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进行实验验证。结果表明，新方法与传统的传递率函数法相比，所有位置的钢结构损伤识别率平均提高了26.3％，能更准确与全面地识别钢结构各位置的损伤情况，对钢结构损伤位置进行精确定位。
本发明解决其技术问题所采用的技术方案是：
一种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，包括以下步骤：
S1、根据钢结构损伤信息，对钢结构模型进行分区，进行各个位置的仿真分析；
S2、通过步骤S1中的钢结构动力学计算分析模型，对各个位置进行损伤模拟分析得到全连接神经网络的输入样本，损伤模拟通过改变钢结构某个位置的质量或刚度来实现；
S3、设计全连接神经网络模型，利用步骤S2中的样本数据进行网络训练和交叉验证调参；
S4、对步骤S3的全连接神经网络模型进行检测性能测试；
S5、开展钢结构损伤检测实验，构建结构损伤的实测数据集，利用数据集对步骤S4中的全连接神经网络模型进行迁移学习；
S6、采集钢结构损伤实验平台的加速度响应，并进行傅里叶变换、频谱相除、函数相减得到神经网络的输入，利用全连接神经网络模型进行钢结构损伤检测。
进一步，所述步骤S1中，钢结构动力学计算分析模型包括钢结构未损伤模型、钢结构质量损伤模型、钢结构刚度损伤模型，其中，质量损伤模型通过在无损伤模型两个相邻检测位置之间增加质量块得到，分别是1-2，2-3，4-5，5-6，6-7，7-8，9-10，10-11这8个位置；刚度损伤模型通过改变无损伤模型两个相邻位置之间的刚度得到，分别是3-4和8-9这两个位置。
再进一步，所述步骤S2中，数据集包括训练集、验证集和测试集，对于10种不同的损伤情况，5600个可用样本被分为三组，4400个样本用于训练，1200个样本用于验证和测试；其中，用于训练的样本中有仿真样本3200个、实验样本1200个；用于验证和测试的样本中有仿真样本800个、实验样本400个。
更进一步，所述步骤S3中，利用步骤S2中构建的训练集进行网络训练；基于步骤S2中提供的验证集对全连接神经网络模型进行交叉验证调参。
所述步骤S4中，利用步骤S2中的测试集对步骤S3训练好的网络检测性能测试，通过全连接神经网络模型预测的结果和实际结果对比得到神经网络的识别率。
所述步骤S5中，根据钢结构框架仿真模型搭建相应的钢结构损伤检测实验平台，同样进行三种情况的测试，得到用于训练神经网络的传递率函数变化量，与之前的理论分析和仿真结果进行比较，从实验上验证基于全连接神经网络与传递率函数相结合的检测方法的可行性。
所述步骤S6中，用小锤敲击后一个检测位置的边缘，由两个加速度传感器进行采样，将加速度数据进行傅里叶变换得到10对无损伤结构的频谱曲线和10对损伤结构的频谱曲线，将前一个检测位置的加速度频谱除以后一个检测位置的加速度频谱，分别计算出无损伤结构和损伤结构中每个检测位置对的传递率函数，最终得到传递率函数变化量作为神经网络的输入进行损伤检测。
本发明的技术构思为：利用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，旨在解决现有的传递率函数法对钢结构损伤检测不全面、不精确的问题。
本发明与现有技术相比，具有以下优点：
1)工程适应性高：由于全连接神经网络的输入参数为传递率函数变化量，只需测得钢结构表面的振动响应即可完成损伤检测，无需测量外部激励。
2)容错率高：对于环境噪声、人为误差，神经网络可以滤除噪声、误差及在有噪声情况下抽取事物本身内在的特征。
3)全面性好：对钢结构各个位置的损伤检测都有较高的识别率，不论仿真还是实验，识别率基本达到了80％以上。
4)识别率高：分析结果表明，与基于传递率函数及小波分析的钢结构损伤检测方法相比，全连接神经网络损伤识别率平均提高了26.3％。
附图说明
图1是本发明的一个实施例的流程图。
图2是本发明的一个实施例的钢结构框架结构模型图，其中，1.横梁；2.角板；3.竖板。
图3是本发明的一个实施例的钢结构框架仿真结构模型图，其中，(a)表示无损伤模型，(b)表示质量变化损伤模型，(c)表示刚度变化损伤模型。
图4是本发明的一个实施例的作为仿真数据集的传递率函数变化量，其中，(a)表示位置1-2的传递率函数变化量，(b)表示位置2-3的传递率函数变化量，(c)表示位置3-4的传递率函数变化量，(d)表示位置4-5的传递率函数变化量，(e)表示位置5-6的传递率函数变化量，(f)表示位置6-7的传递率函数变化量，(g)表示位置7-8的传递率函数变化量，(h)表示位置8-9的传递率函数变化量，(i)表示位置9-10的传递率函数变化量，(j)表示位置10-11的传递率函数变化量。
图5是本发明的一个实施例的全连接神经网络模型示意图。
图6是本发明的一个实施例的钢结构框架损伤仿真识别率。
图7是本发明的一个实施例的与传统方法对比图。
具体实施方式
下面结合说明书附图对结构作进一步描述。
参照图1～图7，一种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，包括以下步骤：
S1、根据钢结构损伤信息，对钢结构模型进行分区，进行各个位置的仿真分析；
S2、通过步骤S1中的钢结构动力学计算分析模型，对各个位置进行损伤模拟分析得到全连接神经网络的输入样本，损伤模拟通过改变钢结构某个位置的质量或刚度来实现；
S3、设计全连接神经网络模型，利用步骤S2中的样本数据进行网络训练和交叉验证调参；
S4、对步骤S3的全连接神经网络模型进行检测性能测试；
S5、开展钢结构损伤检测实验，构建结构损伤的实测数据集，利用数据集对步骤S4中的全连接神经网络模型进行迁移学习；
S6、采集钢结构损伤实验平台的加速度响应，并进行傅里叶变换、频谱相除、函数相减得到神经网络的输入，利用全连接神经网络模型进行钢结构损伤检测。
进一步，所述步骤S1中，钢结构动力学计算分析模型包括钢结构未损伤模型、钢结构质量损伤模型、钢结构刚度损伤模型，其中，质量损伤模型通过在无损伤模型两个相邻检测位置之间增加质量块得到，分别是1-2，2-3，4-5，5-6，6-7，7-8，9-10，10-11这8个位置；刚度损伤模型通过改变无损伤模型两个相邻位置之间的刚度得到，分别是3-4和8-9这两个位置。
再进一步，所述步骤S2中，数据集包括训练集、验证集和测试集，对于10种不同的损伤情况，5600个可用样本被分为三组，4400个样本用于训练，1200个样本用于验证和测试。其中，用于训练的样本中有仿真样本3200个、实验样本1200个；用于验证和测试的样本中有仿真样本800个、实验样本400个。
更进一步，所述步骤S3中，利用步骤S2中构建的训练集进行网络训练；基于步骤S2中提供的验证集对全连接神经网络模型进行交叉验证调参。
所述步骤S4中，利用步骤S2中的测试集对步骤S3训练好的网络检测性能测试，通过全连接神经网络模型预测的结果和实际结果对比得到神经网络的识别率。
所述步骤S5中，根据钢结构框架仿真模型搭建相应的钢结构损伤检测实验平台，同样进行三种情况的测试，得到用于训练神经网络的传递率函数变化量，与之前的理论分析和仿真结果进行比较，从实验上验证基于全连接神经网络与传递率函数相结合的检测方法的可行性。
所述步骤S6中，用小锤敲击后一个检测位置的边缘，由两个加速度传感器进行采样，将加速度数据进行傅里叶变换得到10对无损伤结构的频谱曲线和10对损伤结构的频谱曲线，将前一个检测位置的加速度频谱除以后一个检测位置的加速度频谱，分别计算出无损伤结构和损伤结构中每个检测位置对的传递率函数，最终得到传递率函数变化量作为神经网络的输入进行损伤检测。
如图2、3所示，建立钢结构框架结构模型，然后对无损伤以及两种损伤情况进行仿真分析，其中，质量损伤模型通过在无损伤模型两个相邻检测位置之间增加质量块得到，分别是1-2，2-3，4-5，5-6，6-7，7-8，9-10，10-11这8个位置；刚度损伤模型通过改变无损伤模型两个相邻位置之间的刚度得到，分别是3-4和8-9这两个位置。
如图4所示，对其中一个损伤模型进行仿真，由于钢结构框架上分布着10个检测位置对，对无损伤模型的位置2边缘施加载荷仿真得到位置1和位置2的加速度数据。同样，对损伤模型进行1次仿真得到1对损伤模型的加速度数据。1次仿真完成后，激励位置和检测位置依次往后移动一个位置，直至完成所有位置的检测。完成仿真之后，对加速度数据进行傅里叶变换得到10对无损伤结构的频谱曲线和10对损伤结构结构的频谱曲线。无损伤结构和损伤结构上各分布有10个检测位置对，由傅里叶变换以后分别得到10对无损伤结构频谱曲线和10对损伤结构频谱曲线。计算无损伤结构的每个检测位置对的传递率函数，用前一个检测位置的频谱除以后一个检测位置的频谱，算出无损伤结构10个检测位置对的传递率函数Tu1-2、Tu2-3···Tu10-11，用同样的方法处理质量变化损伤结构的频谱，算出损伤结构10个检测位置对的传递率函数Td1-2、Td2-3···Td10-11，由于仿真没有外部因素的干扰，各个位置的损伤结构和无损伤结构的传递率函数十分接近，分别计算相同位置下无损伤结构与损伤结构之差△T，得到图4所示的10组曲线。以此类推，分别得到其余损伤模型的损伤指标。其中，为了增加神经网络的样本数据量，对同一处损伤进行不同损伤程度的重复仿真。
如图5所示，以仿真和实验得到的传递率函数变化量作为神经网络的输入，共有10个输入节点；将10个位置的损伤结果作为神经网络的输出，共有10个输出节点。隐含层神经元数目分别有256和1024个，隐层激活函数取ReLU函数，输出层激活函数取为softmax函数。如图所示的圆形节点表示是神经元，连线表示不同的权值。上下两层的每个神经元都相互连接，形成了全连接的网络；上层的每个神经元通过权重和偏置计算将特征值传递到下层的每个神经元，多层特征提取之后，可以达到预期的效果。由于该神经网络用于识别损伤，所以用网络输出来表示该处是否存在损伤，为1则表示该处有损伤，为0则表示该处没有损伤。例如，钢结构框架位置1和位置2之间损伤的网络输出是{1，0，0，0，0，0，0，0，0，0}，以此类推，可得到10个位置的损伤情况。为了避免过拟合，将输入数据分为训练集、验证集和测试集。当使用训练样本对网络进行训练时，利用验证集对其性能进行监督，以避免过度拟合。因此，对于10种不同的损伤情况，5600个可用样本被分为三组，4400个样本用于训练，1200个样本用于验证和测试。其中，用于训练的样本中有仿真样本3200个、实验样本1200个；用于验证和测试的样本中有仿真样本800个、实验样本400个。仿真样本由10个位置损伤构成，除了位置3-4和位置8-9的损伤是由刚度变化模拟的，其它位置都是通过增加质量块进行损伤模拟。每种损伤情况进行多次仿真，进而得到大量用于神经网络训练的输入参数。
如图6所示，由神经网络输出结果分析得到8个质量变化损伤位置以及2个刚度变化损伤位置的识别率，由前面可知，输出为1的位置则表示该处有损伤，为0则表示该处没有损伤，每个损伤位置的样本有560个，其中120个样本进行验证和测试，其中，在位置1-2发生损伤时，将输出为1的验证样本进行统计，得到样本数后除以总样本得到神经网络的识别率，以此类推，分别得到位置其它位置2-3、4-5、5-6、6-7、7-8、9-10、10-11质量发生变化以及位置3-4、8-9刚度发生变化时神经网络的识别率。由图6可知，通过全连接神经网络得到的各个位置的识别率都处于90％左右，其中对刚度变化损伤位置3-4、8-9的损伤识别率要比质量变化损伤位置的损伤识别率低，说明全连接神经网络可以有效地识别出位置损伤，并且对于质量损伤识别的灵敏性比刚度损伤识别灵敏性更高。由此说明，全连接神经网络对钢结构平台局部刚度变化损伤识别的效果不错。
根据仿真模型设计门形钢结构实验平台，由于传递率函数本质上是对结构局部性质的表示，因此，通过搭建门形框架平台来模拟钢结构建筑分区之后的局部检测，从而实现对大型复杂钢结构损伤分区进行检测。该平台用于检测和分析加速度信号，对本文研究的基于传递率函数的神经网络损伤数据分析算法进行进一步的验证。本实验平台由钢框架损伤机械***、数据采集***和数据处理***三部分组成。
对钢结构框架的无损伤结构和其中一种损伤结构进行实验，每次测量时，将加速度传感器贴合在测量位置上，使得传感器与检测结构表面垂直。开始采样后，立即用小锤敲击后一个检测位置的边缘，并由两个加速度传感器进行采样。由于结构从振动到结束的时间较短，为了保证能采集到完整的振动过程，将采样时间设置为3s，同时将采样频率设置为5000Hz，依次对所有位置对进行采样。完成一种损伤结构的实验后，为了方便神经网络进行参数的写入，从振动开始到结束提取加速度曲线，将采样时间设置为0.1s，同时将采样频率设置为2500Hz，得到加速度响应曲线。对加速度数据进行傅里叶变化后得到加速度频谱。分别计算出无损伤结构和损伤结构中每个检测位置对的传递率函数，将无损伤传递率函数与损伤结构传递率函数相减得到损伤指标。以此类推，分别得到其余损伤结构的损伤指标。同样，为了增加神经网络的样本数据量，对于同一处损伤进行不同损伤程度的重复实验。
如图7所示，将实验得到的传递率函数变化量放入神经网络，进行分析得到10个损伤位置的输出，由前面可知，输出为1的位置则表示该处有损伤，为0则表示该处没有损伤，其中，在位置1-2发生损伤时，将输出为1的验证样本进行统计，得到样本数后除以总样本得到神经网络的识别率，以此类推，分别得到其它位置2-3、4-5、5-6、6-7、7-8、9-10、10-11质量发生变化时神经网络的识别率。同时，将这些数据和传统的损伤识别方法进行比对可得：传统方法对个别位置的识别率较高，但对其它位置的识别率只达到50％左右，不能有效地识别出位置1-2、6-7以及9-10的损伤；而通过神经网络算法之后，整体的识别率都有了明显的提升，不论是仿真还是实验，识别率都达到了80％左右。表1给出了传统方法与神经网络的损伤识别率，因为传统方法受环境及人为影响，在实际操作中，环境的噪声、人为的误差都会对实验结果产生影响。而神经网络能够减少这些影响，有着较强的容错能力，通过训练之后的神经网络能够得到样本数据内部的输入和输出之间的隐性关系，可以滤除噪声及在有噪声情况下抽取事物本身内在的特征，因而它比较适合对具有大量噪声和测量误差的结构进行在线健康检测与状态评估。由此说明，全连接神经网络对钢结构平台局部损伤识别的效果不错。
Claims (7)
1.一种基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于，所述方法包括以下步骤：
S1、根据钢结构损伤信息，对钢结构模型进行分区，进行各个位置的仿真分析；
S2、通过步骤S1中的钢结构动力学计算分析模型，对各个位置进行损伤模拟分析得到全连接神经网络的输入样本，损伤模拟通过改变钢结构某个位置的质量或刚度来实现；
S3、设计全连接神经网络模型，利用步骤S2中的样本数据进行网络训练和交叉验证调参；
S4、对步骤S3的全连接神经网络模型进行检测性能测试；
S5、开展钢结构损伤检测实验，构建结构损伤的实测数据集，利用数据集对步骤S4中的全连接神经网络模型进行迁移学习；
S6、采集钢结构损伤实验平台的加速度响应，并进行傅里叶变换、频谱相除、函数相减得到神经网络的输入，利用全连接神经网络模型进行钢结构损伤检测。
2.如权利要求1所述的基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S1中，钢结构动力学计算分析模型包括钢结构未损伤模型、钢结构质量损伤模型、钢结构刚度损伤模型，其中，质量损伤模型通过在无损伤模型两个相邻检测位置之间增加质量块得到，分别是1-2，2-3，4-5，5-6，6-7，7-8，9-10，10-11这8个位置；刚度损伤模型通过改变无损伤模型两个相邻位置之间的刚度得到，分别是3-4和8-9这两个位置。
3.如权利要求1或2所述的基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S2中，数据集包括训练集、验证集和测试集，对于10种不同的损伤情况，5600个可用样本被分为三组，4400个样本用于训练，1200个样本用于验证和测试；其中，用于训练的样本中有仿真样本3200个、实验样本1200个；用于验证和测试的样本中有仿真样本800个、实验样本400个。
4.如权利要求3所述的基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S3中，利用步骤S2中构建的训练集进行网络训练；基于步骤S2中提供的验证集对全连接神经网络模型进行交叉验证调参。
5.如权利要求4所述的基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S4中，利用步骤S2中的测试集对步骤S3训练好的网络检测性能测试，通过全连接神经网络模型预测的结果和实际结果对比得到神经网络的识别率。
6.如权利要求1或2所述的基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S5中，根据钢结构框架仿真模型搭建相应的钢结构损伤检测实验平台，同样进行三种情况的测试，得到用于训练神经网络的传递率函数变化量，与之前的理论分析和仿真结果进行比较，从实验上验证基于全连接神经网络与传递率函数相结合的检测方法的可行性。
7.如权利要求1或2所述的一种基于全连接神经网络与传递率函数相结合的钢结构损伤检测方法，其特征在于：所述步骤S6中，用小锤敲击后一个检测位置的边缘，由两个加速度传感器进行采样，将加速度数据进行傅里叶变换得到10对无损伤结构的频谱曲线和10对损伤结构的频谱曲线，将前一个检测位置的加速度频谱除以后一个检测位置的加速度频谱，分别计算出无损伤结构和损伤结构中每个检测位置对的传递率函数，最终得到传递率函数变化量作为神经网络的输入进行损伤检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869971.5A CN112131781B (zh) | 2020-08-26 | 2020-08-26 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869971.5A CN112131781B (zh) | 2020-08-26 | 2020-08-26 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131781A CN112131781A (zh) | 2020-12-25 |
| CN112131781B true CN112131781B (zh) | 2024-06-21 |
Family
ID=73847249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010869971.5A Active CN112131781B (zh) | 2020-08-26 | 2020-08-26 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131781B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867136B (zh) * | 2021-11-22 | 2024-05-31 | 浙江工业大学 | 基于遗传算法与模糊分数阶pid的钢结构损伤检测机器人姿态控制方法 |
| CN114324584B (zh) * | 2021-12-16 | 2023-09-05 | 浙江工业大学 | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190105180A (ko) * | 2018-02-23 | 2019-09-16 | 광운대학교 산학협력단 | 합성곱 신경망 기반의 병변 진단 장치 및 방법 |
| CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
| WO2020138549A1 (ko) * | 2018-12-27 | 2020-07-02 | 울산대학교 산학협력단 | 음향 방출 결함 신호 검출 장치 및 방법 |
| CN110046379B (zh) * | 2019-03-04 | 2021-01-19 | 浙江大学 | 一种基于空间-频率信息的结构整体损伤识别方法 |
| CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
| CN110175434B (zh) * | 2019-06-19 | 2022-06-14 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件***损伤检测方法 |
| CN110231395B (zh) * | 2019-06-30 | 2021-01-19 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及*** |
| CN111222638B (zh) * | 2019-11-21 | 2023-05-12 | 湖南大学 | 一种基于神经网络的网络异常检测方法及装置 |
-
2020
- 2020-08-26 CN CN202010869971.5A patent/CN112131781B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于卷积神经网络的故障诊断模型振动信号处理方法比较;周冠禄;江永全;陈锦雄;梅桂明;;中国科技论文;20200715(07);全文 * |
| 基于神经网络的桥梁结构损伤识别分析;包龙生, 于玲, 王澍, 张兰, 杨炳成;沈阳建筑工程学院学报(自然科学版);20040220(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131781A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
| Dackermann et al. | Identification of member connectivity and mass changes on a two-storey framed structure using frequency response functions and artificial neural networks | |
| CN112131781B (zh) | 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 | |
| CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
| CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
| Dworakowski et al. | Application of artificial neural networks for compounding multiple damage indices in Lamb‐wave‐based damage detection | |
| CN110286155B (zh) | 一种多层复合材料的损伤检测方法及*** | |
| CN102520070A (zh) | 基于非线性输出频率响应函数的结构损伤检测方法 | |
| CN101900789A (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
| Shi et al. | Structural damage detection using artificial neural networks and wavelet transform | |
| CN105862935A (zh) | 一种用于挡土墙结构***的损伤识别方法 | |
| Entezami et al. | Improving feature extraction via time series modeling for structural health monitoring based on unsupervised learning methods | |
| CN111753776B (zh) | 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 | |
| CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
| Paulraj et al. | Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 | |
| CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
| Haldar et al. | Data analysis challenges in structural health assessment using measured dynamic responses | |
| CN116502119A (zh) | 一种结构健康监测***的传感器故障检测方法和装置 | |
| CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| Sitton et al. | Damage scenario analysis of bridges using crowdsourced smartphone data from passing vehicles | |
| Outzen et al. | Investigation of the applicability of recurrent neural networks for structural health monitoring in the frequency domain | |
| CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
| Nazarko et al. | Anomaly detection in composite elements using Lamb waves and soft computing methods |
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 |