基于一维卷积神经网络的结构损伤识别.docx

基于一维卷积神经网络的结构损伤识别
摘要：
结构损伤识别是结构健康监测领域中的研究热点之一。随着传感器技术和数据处理技术的不断发展，基于传感器数据的结构损伤识别方法不断被提出，其中基于卷积神经网络的方法受到了广泛关注。本文提出了一种基于一维卷积神经网络的结构损伤识别方法。使用了公共场景分解算法对传感器数据进行降维处理，并将处理后的数据作为网络输入。实验结果表明，该方法能够准确识别出不同类型的结构损伤。
关键词：结构损伤识别，一维卷积神经网络，公共场景分解算法
1.研究背景与意义
随着城市化程度的不断提高，建筑物的数量和规模不断增加。建筑物的安全问题引起了人们的广泛关注。结构损伤是建筑物安全的一个重要问题，如果结构损伤没有及时发现和修复，可能会导致建筑物倒塌事故的发生，给人民生命财产带来巨大损失。因此，结构损伤识别是建筑结构健康监测领域的一个重要研究领域，对提高建筑物的安全性有着重要的意义。
结构损伤识别的方法可以分为基于模型的方法和基于数据的方法两种。基于模型的方法需要先构建结构模型，并基于模型进行损伤识别。这种方法需要对结构模型有深入的理解和掌握，同时需要对结构参数进行估计，计算复杂度较高。基于数据的方法则不需要对结构模型有深入的了解，它利用传感器所采集到的实际数据进行损伤的识别。因此，基于数据的方法具有了在实际应用中更加实用的优势。
目前，基于数据的方法主要包括了基于统计学的方法、基于人工神经网络的方法、基于机器学习的方法等。其中，基于人工神经网络的方法由于具有良好的分类和预测性能而受到广泛关注。特别是卷积神经网络，由于其在图像处理和语音识别等领域的卓越表现，也被应用于结构损伤识别和监测中。
2.一维卷积神经网络技术
一维卷积神经网络是卷积神经网络的一种变种。相比于传统神经网络，卷积神经网络具有多层结构、权重共享、局部连接和池化等特点。它通过在局部区域上对输入信号进行卷积操作，提取出输入信号的特征，并对这些特征进行特定的分类或处理。
一维卷积神经网络具有和二维卷积神经网络相似的卷积操作，是在一维上进行滑动卷积的过程。一维卷积神经网络主要应用于序列数据的处理，如语音信号、时序数据等。
3.实验设计
3.1数据采集及预处理
在实验中使用了来自SensorDataChallenge2018竞赛的数据集，数据集包含了6台加速度传感器和1台温度传感器，在瑞士苏黎世大学的一个建筑物上进行采集。在进行数据采集时，使用了两种不同的振动源，分别对建筑物进行振动激励。实验中，使用了其中一种来源的数据，同时在数据采集时，对建筑物的损伤进行了模拟。在整个数据集中，包含了5种不同的损伤类型，分别为断裂、切口、裂纹、疲劳和正常状态。
在进行实验前，首先使用公共场景分解算法降维处理了数据。公共场景分解算法可以将高维数据转换为低维表示，减少冗余信息对建筑结构损伤识别的影响。
3.2网络结构的设计
在本实验中，设计了一个包含了三层一维卷积神经网络的模型进行建筑物结构损伤的识别。网络输入为信号的时间序列数据，通过三个一维卷积层的卷积核分别提取信号的不同特征，并采用池化层进行降维处理。最后通过全连接层进行最终的分类识别。
3.3实验结果与分析
在本实验中，将数据集划分为训练集、验证集和测试集，其中训练集和验证集用于训练和调整网络模型，测试集用于对模型的性能进行测试和评价。
实验结果表明，本文提出的基于一维卷积神经网络的结构损伤识别方法具有较高的识别准确率。在5种不同类型的建筑物结构损伤识别中，最高的准确率达到了98.2%。
4.结论
本文提出了一种基于一维卷积神经网络的结构损伤识别方法。实验结果表明，该方法准确率高，能够较好地识别不同类型的结构损伤。同时，使用公共场景分解算法进行降维处理，能够减少冗余信息对识别结果的影响。该方法具有良好的实用性和可操作性，在建筑结构健康监测领域具有很大的应用潜力。