一种基于模态叠加模拟数据的桥梁结构振动数据去噪方法

本发明属于结构健康监测与数据处理，具体涉及一种基于模态叠加模拟数据的桥梁结构振动数据去噪方法。

背景技术：

1、随着桥梁工程结构规模的不断扩大和服役年限的持续增长，结构健康监测系统已成为保障桥梁结构安全运营和服役性能评估的重要技术手段。通过在桥梁关键部位布设加速度、应变、位移等多类型传感器，可长期、连续地获取桥梁在车辆荷载、环境荷载及材料性能退化等作用下的动态响应数据，为桥梁模态识别、损伤检测、疲劳评估及安全预警提供重要的数据支撑。然而，在实际工程监测过程中，桥梁监测数据不可避免地受到环境噪声、传感器测量误差、电磁干扰、设备老化以及数据传输误差等多种因素的影响，导致监测信号中混入大量随机噪声。这些噪声不仅降低了监测数据的信噪比，而且容易掩盖桥梁结构响应中的固有频率、振型及阻尼等关键动力学特征，进而影响结构模态识别、状态评估及损伤诊断的准确性。因此，如何在有效抑制噪声的同时最大程度保持桥梁结构真实动力学特征，已成为桥梁结构健康监测数据处理中的关键技术问题。

2、现有桥梁振动数据去噪方法主要包括传统信号处理方法和基于深度学习的方法。传统信号处理方法通常采用低通滤波、带通滤波、小波变换、经验模态分解、变分模态分解及奇异值分解等方式抑制噪声。该类方法能够在一定程度上改善信号质量，但其去噪效果通常依赖滤波截止频率、分解层数、模态数量、阈值参数及模态筛选准则等参数设置。在不同运行工况和不同噪声水平下，信号频率组成及噪声分布存在差异，需要依靠人工经验反复调整参数，存在参数敏感性强、处理效率低以及难以批量自动处理的问题。

3、近年来，随着人工智能技术的发展，深度学习方法凭借其较强的非线性特征学习能力，为桥梁监测数据去噪提供了新的技术途径。现有研究主要采用卷积神经网络、自编码器、循环神经网络、transformer及其改进网络等建立含噪信号与目标信号之间的映射关系，实现桥梁监测数据的端到端去噪。相比传统信号处理方法，深度学习方法能够减少人工参数调整，提高复杂噪声环境下的去噪性能，在桥梁结构监测领域展现出良好的应用前景。

4、然而，基于深度学习的去噪方式通常需要大量成对的含噪信号和对应无噪信号作为训练样本，而桥梁实际监测中难以获取与含噪信号严格对应的真实无噪振动数据。目前，训练数据中的参考真值主要依赖已有信号处理方法构造或数值模拟获得，前者所得参考信号与真实无噪响应仍存在一定差异，后者的数据生成过程相对复杂、计算成本较高，难以满足深度学习模型对大规模带标签训练数据的需求。因此，如何快速构建具有可靠监督标签的训练样本，成为桥梁结构振动数据深度学习去噪领域亟待解决的问题。

技术实现思路

1、针对传统桥梁振动数据去噪方法需人工调参，以及现有基于深度学习的去噪方法训练过程中真实无噪信号难以获取、训练数据构建成本高等问题，本发明提供了一种基于模态叠加模拟数据的桥梁结构振动数据去噪方法。

2、为了达到上述目的，本发明采用了下列技术方案：

3、一种基于模态叠加模拟数据的桥梁结构振动数据去噪方法，包括以下步骤：

4、s1、建立基于模态叠加模拟数据的训练数据生成框架，根据桥梁结构的动力学参数，依次进行模态参数获取、模态参数随机化、环境激励构建、模态响应叠加、幅值对齐及噪声添加，生成含噪信号、无噪信号和真实噪声的桥梁结构振动数据标准化样本；

5、所述步骤s1中的模态参数获取为直接获取桥梁结构前阶模态频率、模态阻尼比及传感器测点振型矩阵；

6、所述模态参数随机化为通过对各阶模态频率及振型施加随机扰动，以模拟桥梁结构在材料参数、边界条件及环境因素影响下的动力学特性变化，其表达式分别为：；；；

7、其中，为第阶扰动后模态频率；为频率扰动系数，频率扰动系数满足高斯分布；为扰动后的第阶振型在第个测点处的振型系数；为该测点处的振型扰动量；为第阶振型在第个测点处的扰动系数，扰动系数满足；表示第阶振型在第个测点处的振型系数；表示频率扰动系数的方差；表示振型扰动系数的方差；

8、构建随机环境激励并求解各阶模态响应，通过模态叠加方法生成各测点的结构响应；对于第阶模态，其模态响应方程表示为：；

9、式中，为第阶模态位移响应；为第阶模态加速度响应；为模态阻尼比；为随机扰动后的圆频率，其中：；为第阶广义模态激励；

10、所述环境激励模拟根据桥梁实际运行工况构建随机环境荷载，并结合模态叠加方法生成桥梁结构动力响应，其响应表示为：；

11、其中，为第个测点的响应；表示第个低阶振动分量，表示参与计算的模态阶数；

12、所述幅值对齐即根据实测参考信号的均方根值对各测点实测响应进行幅值对齐；第个测点的实测响应均方根值为：，其幅值缩放系数表示为：，幅值对齐后的无噪响应为：；

13、式中，为第个测点实测参考信号的目标均方根值；为防止分母为零的微小正数；表示信号片段的采样点数量；表示采样点索引；表示表示第个测点响应在第个采样点处的信号幅值；

14、所述噪声添加为向无噪响应中添加随机噪声并构建标准样本，对于第个测点的无噪响应，首先生成随机噪声，再根据目标信噪比对噪声幅值进行调整，相应的含噪监测信号为：；

15、其中，表示含噪监测信号，为随机噪声。

16、s2、构建由多尺度卷积编码器、时序特征建模模块、特征增强模块和噪声解码器依次组成的深度学习去噪网络，所述深度学习去噪网络以含噪信号的桥梁结构振动数据标准化样本作为输入，通过多尺度卷积特征提取、时间相关性建模及频域特征增强获得深层特征；随后通过噪声解码器预测输入信号中的噪声分量，并利用噪声预测结果重构去噪信号；

17、所述基于深度学习的去噪网络由多尺度卷积编码器、时序特征建模模块、特征增强模块以及噪声解码器构成；

18、设一个训练批次包含条长度为的含噪监测信号，则去噪网络输入含噪监测信号表示为，经维度扩展后得到；本实施例中，批次大小，信号长度。

19、所述多尺度卷积编码器采用多个具有不同卷积核尺寸的一维卷积分支对含噪监测信号进行并行特征提取，将各分支的输出沿通道维度进行拼接，并通过特征融合卷积进行通道映射，由此获得多尺度融合特征，输出特征大小为，其中，表示融合后的特征通道数；

20、所述时序特征建模模块采用时序卷积网络提取桥梁结构振动信号的时间依赖关系，所述时序卷积网络由多个残差时序卷积单元串联构成，每个残差时序卷积单元以一维因果膨胀卷积为核心，每个残差时序卷积单元依次包括一维因果膨胀卷积、层归一化、relu激活函数和dropout层；多尺度融合特征输入所述时序特征建模模块后，特征通道数和时间长度保持不变，得到时序建模特征：；

21、所述特征增强模块用于对时序建模特征进行全局平均池化和自适应加权，以增强与结构有效振动成分相关的特征，并抑制与随机噪声相关的无效特征；所述特征增强模块包括全局特征池化、通道权重生成、特征自适应加权、卷积映射及残差融合过程；首先对各特征通道沿序列维度进行全局平均池化：，式中，表示时间采样点索引；表示训练批次中的样本索引；表示特征通道索引；表示特征序列长度；

22、随后通过两层通道映射计算通道响应权重，利用所述通道响应权重对时序特征进行自适应加权；加权后的特征经一维卷积进一步处理后与模块原始输入进行残差融合，最终输出高维融合特征张量；

23、所述噪声解码器采用三级卷积对增强特征进行逐级通道压缩，将高维融合特征张量映射为与输入信号长度相同的单通道噪声预测结果，输出大小为，将噪声预测结果从含噪监测信号中扣除，获得最终去噪结果：。

24、s3、将步骤s1生成的含噪信号作为训练输入步骤s2构建的深度学习去噪网络，采用多目标联合损失函数进行训练，并根据所述联合损失函数更新网络参数，获得训练完成的深度学习去噪网络，将待处理的桥梁结构振动数据输入训练完成的深度学习去噪网络，在网络参数固定的条件下获得预测噪声，并将所述预测噪声从待处理的桥梁结构振动数据中扣除，得到去噪后的桥梁结构振动数据。

25、所述多目标联合损失函数表示为：；

26、其中，表示预测噪声损失，表示信号重构损失，为频域一致性损失，为高频约束损失，分别表示各损失项权重系数；

27、所述预测噪声损失表达式为：；

28、其中，表示第条样本在第个采样点处的预测噪声；表示第条样本在第个采样点处的真实噪声；

29、所述信号重构损失表达式为：；

30、其中，表示第条样本在第个采样点处的预测去噪信号；表示第条样本在第个采样点处的真实无噪声信号；

31、对于第条样本的预测去噪信号和真实无噪声信号，分别沿时间维执行实数快速傅里叶变换，得到对应的单边复频谱：；；

32、所述频域一致性损失表达式为：；

33、式中，表示单边频谱中的频率点索引；为单边频谱的频率点数量；和分别表示第条样本的预测去噪信号与真实无噪声信号在第个频率点处的复频谱系数；

34、所述高频约束损失定义为：；

35、式中，表示一个训练批次中的样本数量；表示截止频率以上的高频频率索引集合；表示该集合所包含的频率点数量。

36、与现有技术相比本发明具有以下优点：

37、本发明利用桥梁结构模态参数，通过模态叠加方法生成桥梁振动响应，并构建包含含噪信号、无噪信号及真实噪声的训练数据，无需采用滤波方法获取训练真值，也无需反复进行完整动力响应计算即可快速构建大规模带标签数据，并利用所生成的数据训练去噪网络，实现桥梁结构振动数据的有效去噪，为桥梁结构健康监测数据处理提供了一种高效的数据构建与去噪方法。