详情

原文传递基于总体经验模态分解与卷积神经网络的结构损伤识别法

专利名称：	基于总体经验模态分解与卷积神经网络的结构损伤识别法
摘要：	本发明提出一种基于总体经验模态分解与卷积神经网络的结构损伤识别法，属于结构健康监测技术领域，该方法选取结构的加速度响应信号作为分析对象，并采用总体经验模态分解技术对加速度响应信号进行分解得到一系列固有模态函数IMF，选择含有结构自振频率的固有模态函数IMF进行重构，再采用一维卷积神经网络对重构信号进行特征提取和损伤分类，从而获得结构损伤位置的识别结果。该方法既减少了噪声对结构损伤位置识别结果的影响，提高了识别准确率，又提高了识别效率，在实时结构健康监测中具有显著的优势。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	青岛理工大学
发明人：	刁延松;王玉梅;刘秀丽;刘芸
专利状态：	有效
申请日期：	2019-01-31T00:00:00+0800
发布日期：	2019-06-28T00:00:00+0800
申请号：	CN201910099951.1
公开号：	CN109946389A
代理机构：	青岛清泰联信知识产权代理有限公司
代理人：	李祺;张玲
分类号：	G01N29/46(2006.01);G;G01;G01N;G01N29
申请人地址：	266520 山东省青岛市经济技术开发区长江中路2号
主权项：	1.基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于，包括以下步骤：步骤1：测得结构加速度响应信号x(t)；步骤2：利用总体经验模态分解技术对加速度响应x(t)进行分解，得到一系列固有模态函数IMF；步骤3：对步骤2得到的固有模态函数IMF进行傅里叶变换得到其频谱特性，选择含有结构自振频率的固有模态函数IMF进行重构，得到重构信号z(t)；步骤4：对步骤3得到的重构信号z(t)进行标准化处理，得到标准化重构信号Z(t)，将标准化重构信号Z(t)分为多段长度一定的子信号，选取子信号中的部分信号作为训练样本，剩余部分信号作为测试样本；步骤5：将步骤4得到的训练样本输入一维卷积神经网络模型中进行训练，训练过程中采用交叉熵损失函数作为损失函数，采用Adam优化算法作为优化算法；步骤6：将步骤4得到的测试样本输入到步骤5训练好的一维卷积神经网络模型中，得到损伤位置的识别结果。 2.根据权利要求1所述的基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于：所述步骤4中，采用标准化处理公式对所述重构信号z(t)进行标准化处理，所述标准化处理公式的表达式为：式中，Z(t)为标准化重构信号；z(t)为重构信号；μ为重构信号的平均值；σ为重构信号的方差。 3.根据权利要求1所述的基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于：所述步骤5中，所述一维卷积神经网络模型包括依次连接的输入层、第一卷积层、第一批量归一化层、第一池化层、第二卷积层、第二批量归一化层、第二池化层、第一全连接层、第二全连接层和输出层；其中，所述第一卷积层和第二卷积层均含有16个大小为10×1的卷积核，所述第一池化层和第二池化层的池化窗口大小均为2×1。 4.根据权利要求3所述的基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于，所述步骤5中，所述一维卷积神经网络模型的训练包括交替进行的前向传播训练和反向传播训练，直至网络收敛或所述前向传播训练的输出结果与设定的输出结果之间的误差值达到指定的迭代终止条件；所述前向传播训练步骤包括：将步骤4得到的训练样本从所述输入层中输入，所述第一卷积层对输入的训练样本进行处理得到初次处理特征图，所述初次处理特征图传送至所述第一批量归一化层进行归一化处理，归一化处理后传送至所述第一池化层进行池化处理，得到初次采样特征图；所述初次采样特征图传送至所述第二卷积层进行处理，得到二次处理特征图，所述二次处理特征图传送至所述第二批量归一化层进行归一化处理，归一化处理后传送至所述第二池化层进行池化处理，得到二次采样特征图；所述二次采样特征图依次传送至所述第一全连接层和第二全连接层进行处理，处理后传送至所述输出层，所述输出层对处理后的二次采样特征图进行分类并输出损伤位置的分类向量；所述反向传播训练步骤包括：将所述前向传播训练的输出结果与设定的输出结果的误差值按照所述前向传播训练的反向回传，得到每层的误差值，利用Adam优化算法调整所述一维卷积神经网络模型的网络参数。
所属类别：	发明专利