技术摘要：
本发明公开了一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法，具体为：通过传感器系统采集海量结构加速度响应数据；将数据分为参考响应和非参考响应，计算参考响应和非参考响应之间的传递率，形成基于振动传递率的海量样本数据集；建立卷积神经网络模  全部
背景技术：
结构在长期服役中，受自身材料退化和复杂环境影响，不可避免发生损伤，结构损 伤会对结构的安全运行产生威胁，甚至导致结构的破坏。基于结构动力学响应信号和人工 智能算法的结构无损检测方法，因其成本低、效率高，能够实现实时检测和在线监测的优 点，在近年来发展迅速，目前正逐步被应用到机械、土木领域的结构损伤识别中。 梁、板、壳等低维结构，只需提取少量动力响应即可表征结构状态，而框架结构、桥 梁结构等多维结构需要提取海量动力响应实现对结构状态的充分表征，因此，与低维结构 相比，多维结构需要提取海量动力响应，实现损伤识别。随着传感技术，数据传输、存储、处 理技术的发展，海量的结构健康检测数据被提取，这些海量的数据中包含丰富的表征结构 损伤的信息，海量监测数据的充分利用，需要能够高效率地提取海量数据中的损伤特征的 损伤识别算法。常规的基于结构动力学响应信号和智能算法的损伤识别方法，一般使用传 统的基于时间序列的时域信号或基于傅里叶变换的频域信号作为损伤识别的数据，使用传 统的机器学习算法如人工神经网络作为损伤识别的智能算法；传统的时、频域数据对损伤 不敏感且易受激励干扰；传统的智能算法难以充分提取数据中的损伤特征，且处理海量高 维数据时效率低，需要消耗大量的计算资源。
技术实现要素：
本发明为克服上述常规方法的不足，使用振动传递率数据代替传统的时、频域数 据，使用卷积神经网络代替传统的机器学习算法。相比于传统方法，本发明使用的振动传递 率数据包含显著的损伤特征，且可以避免激励干扰，使用的卷积神经网络可以自适应提取 数据中的损伤特征，可以高效率地处理海量高维数据。提供了一种简单、快速、准确、高效率 的多维结构损伤识别方法。 本发明所采用的技术方案为： 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法，具体步骤 包括： 步骤一、布置安装传感器量测系统，采集海量结构加速度响应数据，记为x＝{x (tn)},n＝1,2,…,N，N为加速度响应数据长度； 步骤二、将加速度响应分为参考响应r＝{r(tn)}，和非参考响应a＝{a(tn)}，计算 参考响应和非参考响应之间的传递率y＝{y(fm)},m＝1,2,…,M，M为传递率数据长度。 步骤三、建立卷积神经网络模型，并使用传递率数据集进行训练； 步骤四、经过N次训练，卷积神经网络达到收敛，使用训练后的卷积神经网络进行 4 CN 111595541 A 说　明　书 2/4 页 结构损伤识别，并输出其损伤模式； 作为本发明的进一步优选方案，所述步骤二传递率具体计算方式如下： 其中，yij是自由度j处的参考响应和自由度i处的非参考响应之间的传递率，G(ai, rj)是ai和rj的互功率谱密度，G(rj,rj)是rj的自功率谱密度。 作为本发明的进一步优选方案，所述步骤三卷积神经网络包括第一卷积层、第一 池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、SoftMax函数，激活函数。 作为本发明的进一步优选方案，所述步骤三卷积神经网络的输入层尺寸为1×m× n，其中m为传递率的长度，n为每个输入样本包含的传递率的个数。 作为本发明的进一步优选方案，所述步骤三卷积神经网络的前向传播过程为：输 入数据经过第一卷积层、第一池化层、第二卷积层、第二池化层的卷积和池化操作后，输出 三维特征矩阵，将三维特征矩阵按照行、列、深度的顺序展开形成一维向量输入第一全连接 层，经过第一全连接层和第二全连接层输出原始输出数据，经过SoftMax函数对原始输出数 据进行归一化，输出包含输入样本对应每种损伤模式概率的一维向量，输入样本被识别为 该样本对应的概率最高的损伤模式。其中，第一、二卷积层和第一全连接层使用ReLU激活函 数，其它层不使用激活函数。 作为本发明的进一步优选方案，所述步骤三卷积神经网络使用的ReLU激活函数表 示为： f(x)＝max(0,x) 其中，max表示取最大值。 作为本发明的进一步优选方案，所述步骤三卷积神经网络使用的SoftMax函数表 示为： 其中，pk表示输入样本对应第k种损伤模式的概率，x表示原始输出数据。 作为本发明的进一步优选方案，所述步骤三卷积神经网络，使用交叉熵损失函数 作为损失函数，使用Adam优化算法进行训练。 本发明具有以下有益效果： 本发明提供一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方 法，使用振动传递率数据代替传统的时、频域数据，使用卷积神经网络代替传统的机器学习 算法。相比于传统方法，本发明使用的振动传递率数据包含显著的损伤特征，且可以避免激 励干扰，使用的卷积神经网络可以自适应提取数据中的损伤特征，可以高效率的处理海量 高维数据，可以简单、快速、准确、高效率地识别多维结构损伤。 附图说明 图1是本发明的一个实施例的方法流程示意图。 图2是本发明的一个实施例的一个原始量测结构加速度响应信号。 5 CN 111595541 A 说　明　书 3/4 页 图3是本发明的一个实施例的一个振动传递率信号。 图4是本发明的一个实施例的卷积神经网络模型结构示意图。