基于结构离散测点拓扑的温致应变场重分布智能感知方法与流程

1.本发明属于结构智能监测、检测与评价领域，具体涉及一种基于结构离散测点拓扑的温致应变场重分布智能感知方法。


背景技术：

2.工程结构从建造伊始就受到环境温度的持续作用，温度作用的不均匀性会随着结构尺寸增大而越发明显，而结构温致应变场是非均匀温度场作用的最直观反映，准确有效地描述结构温度场和温致应变场是把握结构当前状态的前提。随着测试与传输技术的发展，通过监、检测手段实时获取大型工程结构的温度和应变已不是难事。然而，由于主流温度和应变传感器的测试范围相对工程结构的尺寸来说太小，一般情况下只能获得离散的几个点或区域的温度和应变，工程结构温度和温致应变的分布特征难以有效量化评估，感知结构在全寿命周期的温致应变重分布更是无从谈起。人工智能的兴起与发展使得采用聚类和深度学习方法模拟并感知结构温致应变场时变分布模式成为可能。
3.目前，土木、机械领域内关于考虑结构离散测点拓扑特征建立温度场-应变场分布模型的方法较少，采用聚类和神经网络相结合的方法实时感知结构温致应变场重分布的案例更是鲜有所闻。常用的方法有以下几种：(1)基于纳米级智能材料涂层对结构表面进行致密的分布式应变测量，利用智能材料的电化学性质将力学量转化为电信号，完成结构表面应变分布的有效获取，但该方法仅能测量小面积的应变分布，且无法辨析应变来源于何种荷载效应，因此在大型土木工程中的应用场景有限；(2)基于阵列式的压电陶瓷传感元件对结构的应力应变分布进行测量，将各个传感元件所测物理量实时存储为矩阵，以此得到一定面积内应力应变分布特征，该方法可测量较大面积的结构应力应变分布，但面积越大、监测成本越高，且阵列布置型式在无应力处存在无效测量，导致资源浪费，因此推广应用的成本较高。综上所述，现有技术均是基于较先进的新型材料实现结构应变分布场的测量，技术要求高、成本高、应用不成熟，且没有和温度效应直接关联。
4.因此，有必要研发一种成本低廉且基于成熟传感技术的方法，以机器学习和人工智能理论反演离散、通用的温度与应变传感器的数据特征值实时分布模式，建立温度场与温致应变场之间的模糊关系模型，以实现结构温致应变场重分布的智能感知。


技术实现要素：

5.发明目的：针对以上问题，本发明提出一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，可以实现基于离散、通用的温度与应变传感器数据智能感知结构温致应变场的重分布。
6.技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，具体包括如下步骤：
7.步骤1，针对待测结构，提取一定时间内该结构的离散的各温度测点温度时序数据和各应变测点温致应变时序数据，并进行预处理，将预处理后的各温度测点温度时序数据
和温致应变时序数据存储为在每个时刻一一对应的多个数据集；
8.步骤2，基于凝聚式层次聚类方法分别对温度测点位置坐标和应变测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，计算每个时刻温度和温致应变数据在各自聚类簇内的平均值；
9.步骤3，分别利用各时刻温度和温致应变的聚类簇的平均值，得到温度场和温致应变场的分布拓扑特征值数据；
10.步骤4，将所有时刻一一对应的温度场和温致应变场分布拓扑特征值数据按照固定比例划分为训练集与检验集，并归一化处理；
11.步骤5，构建双向长短期记忆回归网络模型，并设定网络参数以及训练参数，以温度场分布拓扑特征值数据为输入、温致应变场分布拓扑特征值数据为输出，利用训练集对回归网络模型进行训练；当训练达到设定值时，利用检验集对回归网络模型验证有效性；当回归网络模型输出结果与检验集温致应变场分布拓扑特征值数据之间的差异定义检验指标符合要求时，训练完成，获取训练完成的回归网络模型；否则，调整网络参数以及训练参数，重新进行训练；
12.步骤6，在结构监测过程中，对待测结构连续获取预设时间内实时监测的离散的各温度测点温度时序数据和应变测点温致应变时序数据，并利用步骤1-步骤3所述方法计算各时刻温度场和温致应变场的分布拓扑特征值；将各时刻温度场的分布拓扑特征值作为训练完成的回归网络模型的输入，得到对应时刻回归网络模型输出结果；计算并判断相同时刻的回归网络模型输出结果与监测的温致应变场分布拓扑特征值的差异定义检验指标是否符合要求，当预设时间内不符合要求的差异定义检验指标大于预设比例时，表示该结构的温致应变模式发生重分布；否则表示该结构的温致应变模式未发生重分布。
13.进一步地，所述步骤1的方法具体如下：
14.步骤1.1，对待测结构提取一定时间内离散的各温度测点温度时序数据；
15.步骤1.2，对待测结构提取一定时间内离散的各应变测点时序数据，对结构应变测点一定范围内的温度测点温度时序数据进行频谱分析，得到温度时序数据功率谱的高功率密度值对应的频带[0,f
t
]，对各应变测点数据进行处理，包括小波变换、低通滤波，得到频率小于f
t
的应变信号，并以此作为各应变测点的温致应变时序数据；
[0016]
步骤1.3，调节温度测点温度时序数据和温致应变时序数据的采样频率至两者中的较小值或比较小值更低的随机值，并将各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个数据集。
[0017]
进一步地，所述步骤2中，基于凝聚式层次聚类方法对温度测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，方法如下：
[0018]
步骤2.1，将每一个温度测点位置坐标作为一个聚类，将测点的欧拉距离作为每两个聚类之间的距离，计算每两个聚类之间的距离，将距离最近的两个聚类合并为新的聚类簇；
[0019]
步骤2.2，将聚类簇内全部数据点坐标的增量平方和作为聚类簇之间的距离，计算每两个聚类簇之间的距离，将距离最近的两个聚类簇进行合并，得到新的聚类簇；
[0020]
步骤2.3，重复步骤2.2直到达到预设聚类数；
[0021]
步骤2.4，判断聚类过程中各聚类簇内全部数据点坐标的增量平方和是否大于预
设距离，输出增量平方和大于预设距离且与预设距离的差值绝对值最小的聚类簇结果。
[0022]
进一步地，步骤2.1所述欧拉距离的计算公式如下：
[0023][0024]
式中，d
pq
为坐标点p和q的欧拉距离，c
p
和cq分别为坐标点p和q的一维或多维坐标向量，j表示第j个坐标向量维度，f为坐标向量的总维度，c
p,j
和c
p,j
分别为向量c
p
和cq的第j个坐标向量维度的值。
[0025]
进一步地，步骤2.2所述聚类簇内全部数据点坐标的增量平方和的计算公式如下：
[0026][0027]
式中，d(r,s)为聚类簇r和聚类簇s的增量平方和，nr和ns分别为聚类簇r和聚类簇s内的坐标点数量，||
·
||2表示欧拉距离，和分别为聚类簇r和聚类簇s的质心坐标；各聚类簇的质心坐标的计算公式如下：
[0028][0029]
式中，c
ri
为聚类簇r内的第i个坐标点的坐标向量。
[0030]
进一步地，所述步骤2中，基于凝聚式层次聚类方法对应变测点位置坐标进行聚类的方法与基于凝聚式层次聚类方法对温度测点位置坐标进行聚类的方法一致。
[0031]
进一步地，步骤3所述温度场的分布拓扑特征值为温度的各聚类簇的平均值在各个时刻的两两差值向量，所述温致应变场的分布拓扑特征值为温致应变的各聚类簇的平均值在各个时刻的两两差值向量；所述两两差值向量表示如下：
[0032]
[d
1,2
,d
1,3
,
…
,d
1,m
,
……
,d
u,v
,
……
,d
m-1,m
]
[0033]
式中，d
u,v
为第u个聚类簇的平均值减去第v个聚类簇的平均值的差值，u∈[1,m]，v∈[1,m]且u≠v。
[0034]
进一步地，步骤3所述温度场的分布拓扑特征值为温度各聚类簇的平均值在各个时刻的差值邻接矩阵，所述温致应变场的分布拓扑特征值为温致应变各聚类簇的平均值在各个时刻的差值邻接矩阵，所述差值邻接矩阵表示如下：
[0035][0036]
式中，d
m,1
为第m个聚类簇平均值减去第1个聚类簇平均值的差值，d
1,m
为第1个聚类簇中测试数据的平均值减去第m个聚类簇中测试数据的平均值的差值，d
u,v
为第u个聚类簇的平均值减去第v个聚类簇的平均值的差值，u∈[1,m]，v∈[1,m]且u≠v。
[0037]
进一步地，所述差异定义检验指标的计算公式如下：
[0038][0039]
式中，tr为差异定义检验指标，r为单条数据中的元素个数，k为单条数据中的第k个元素，rek为回归模型输出结果，tek为温致应变场分布拓扑特征值数据，a
t
为所有tek中元素数值变化的最大幅度。
[0040]
有益效果：与现有技术相比，本发明技术方案具有以下有益效果：
[0041]
(1)方法逻辑严密。本发明提出基于离散布置的温度、应变传感器的坐标信息建立温度测点和应变测点的聚类簇拓扑模型，在结构监测中，测点的布置皆经过了相关从业人员的深入分析和研究，包含了结构安全的重点关注位置、极端环境荷载的高概率作用位置等信息，基于测点坐标聚类簇对温度、应变测试数据进行分类处理，能更有效地把握结构在不均匀温度场作用下的应力应变分布特征，发明方法逻辑清晰，符合力学基本原理。
[0042]
(2)考虑因素全面。本发明提出基于深度学习网络模型建立温度场和温致应变场两者拓扑特征值之间的模糊关系模型，温致应变的提取过程排除了车辆、风等高频荷载的干扰，使得深度学习网络模型能有效地模拟温度场和温致应变场之间的非线性模糊关系，基于温度场和温致应变场拓扑特征值大数据的深度学习更能充分地考虑实际结构在复杂环境作用下随机性与变异性。发明方法考虑相对全面，所得结果较传统方法更加符合工程实际。
[0043]
(3)实施有章可循。本发明实施过程基本都建立在传感器位置信息和测试数据的处理与计算之上，经验因素少，任何拥有一定力学、数学、计算机基础的技术人员都能依照本专利实现基于通用传感器离散测点拓扑特征的结构温致应变场重分布智能感知。发明方法可复制性强，便于应用和推广。
附图说明
[0044]
图1是本发明所述方法的流程图；
[0045]
图2是应用示例中层次聚类法输出的温度聚类簇聚类结果示意图；
[0046]
图3为应用示例中层次聚类法输出的应变聚类簇聚类结果示意图；
[0047]
图4为应用示例中所设计bilstm回归网络结构示意图；
[0048]
图5为重分布时温致应变场的聚类簇平均值差值向量的回归与实测结果对比示意图；
[0049]
图6为重分布时温致应变场的聚类簇平均值差值邻接矩阵的回归与实测结果对比示意图。
具体实施方式
[0050]
下面结合附图和实施例对本发明的技术方案作进一步的说明。
[0051]
如图1所示，本发明所述一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，主要包括如下步骤：
[0052]
步骤1：提取离散的各温度测点时序数据和各应变测点温致应变时序数据，并进行预处理，将与处理后的各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个
数据集，具体方法如下：
[0053]
提取离散的各温度测点时序数据；
[0054]
提取离散的各应变测点时序数据，对结构应变测点一定范围内的温度测点数据进行频谱分析，得到温度数据功率谱的高功率密度值对应的频带[0,f
t
]，采用小波变换、低通滤波等通用方法处理各测点应变数据，得到频率小于f
t
的应变信号，并以此作为各应变测点的温致应变时序数据；
[0055]
调节温度和温致应变时序数据的采样频率至两者的较小值或更低的值，并将各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个数据集。
[0056]
步骤2：基于凝聚式层次聚类方法分别对温度测点坐标和应变测点坐标进行聚类，各测点之间的距离采用欧拉距离定义：
[0057][0058]
其中，c
p
和cq分别为坐标点p和q的一维或多维坐标向量，f为坐标向量的维度，c
p,j
和c
p,j
分别为向量c
p
和cq的第j维的值。
[0059]
随着坐标点的不断凝聚，包含多个坐标点的聚类簇之间的距离采用聚类簇内所有数据点坐标的增量平方和定义：
[0060][0061]
其中，||
·
||2表示计算欧拉距离，nr和ns分别为聚类簇r和s内的坐标点数量，和分别为聚类簇r和s的质心坐标，各聚类簇的质心坐标可按下述公式计算：
[0062][0063]
其中，c
ri
为聚类簇r内的第i个坐标点的坐标向量。聚类计算结束后，输出各层次凝聚过程中各簇的d(r,s)大于预设距离dy且与dy的差值绝对值最小的聚类簇结果。得到包含测点位置拓扑信息的聚类簇，输出的温度聚类簇和应变聚类簇的数量需保持一致；
[0064]
计算每个时刻温度和温致应变数据在各自聚类簇内的温度或温致应变平均值。
[0065]
步骤3：分别计算温度和温致应变的各聚类簇平均值在各个时刻的两两差值向量：
[0066]
[d
1,2
,d
1,3
,
…
,d
1,m
,
……
,d
m,m 1
,d
m,m 2
,
…
,d
m,m
,
……
,d
m-1,m
]
[0067]
以差值向量为基础，令d
m,m
＝-d
m,m
，组装温度和温致应变的各聚类簇平均值在各个时刻的差值邻接矩阵：
[0068][0069]
以温度和温致应变的各聚类簇平均值在各个时刻的差值向量或差值邻接矩阵为温度场和温致应变场的分布拓扑特征值。
[0070]
步骤4：将所有时刻一一对应的温度场和温致应变场分布拓扑特征值数据按照9:1
等固定比例划分为训练集与检验集；将训练集与检验集数据按照训练集数据所计算的归一化参数进行归一化。
[0071]
步骤5：设计双向长短期记忆回归网络，双向长短期记忆回归网络模型结构至少包含：输入层，双向长短期记忆隐层，回归输出层，设定双向长短期记忆网络的目标函数优化算法、隐层单元数等网络参数；设定初始学习率、minimum batch size、maximum epoch等训练参数，采用预处理(归一化等)后的训练集里的温度场分布拓扑特征值数据为输入、温致应变场分布拓扑特征值数据为输出，对回归网络进行训练学习。
[0072]
步骤6：模型训练达到预设epoch后，采用归一化后的检验集数据检验模型有效性，将检验集中的温度场分布拓扑特征值输入已训练模型，基于训练模型回归结果与检验集温致应变场分布拓扑特征值数据之间的差异定义检验指标：
[0073][0074]
其中，r为单条数据中的元素个数，rek为模型回归结果，tek为检验集实测温致应变场分布拓扑特征值数据，a
t
为单条tek中元素数值变化的最大幅度；检验集中的每条数据均须与对应回归结果计算一个tr，如果整个检验集的tr平均值小于预设值(如0.05)，则认为该回归网络模型可投入使用，反之则调整网络参数和训练参数并重新训练模型。
[0075]
步骤7：在结构监测过程中，首先基于一定时间长度(如半年)的既有监测大数据按步骤1至步骤6建立回归模型；然后以实时监测的温度数据按步骤1至步骤3计算温度场的拓扑特征值，并输入所建立的回归网络模型中回归得到温致应变场分布拓扑特征值；将实时回归的温致应变场分布拓扑特征值与实时应变监测数据换算所得的温致应变场分布拓扑特征值作比较，如两者的差异长时间处于较大的状态(如两者计算所得的tr指标长时间大于0.1或更高)，则表示结构的温致应变模式发生了重分布。
[0076]
实施例1：
[0077]
下面以安徽省内某大跨径钢桁架斜拉桥结构健康监测系统跨中截面的温度、应变传感器长期监测数据为例，说明本发明的具体实施过程。
[0078]
(1)提取18个离散温度测点的时序数据；提取20个离散应变测点的时序数据，对结构应变测点一定范围内的温度测点数据进行频谱分析，得到温度数据功率谱的高功率密度值对应的频带为0至3
×
10-3
hz，采用多层小波变换处理各测点应变数据，得到频率小于3
×
10-3
hz的应变信号，并以此作为各应变测点的温致应变时序数据；调节温度和温致应变时序数据的采样频率至1/60hz，并将各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个数据集。
[0079]
(2)基于凝聚式层次聚类方法分别对温度测点坐标和应变测点坐标进行聚类，分别得到包含测点位置拓扑信息的温度、应变聚类簇，输出聚类簇距离分别大于610和1265厘米的温度和应变聚类簇聚类结果，输出的温度聚类簇和应变聚类簇的数量均为8，参考如图2和图3所示；计算每个时刻温度和温致应变数据在各自聚类簇内的温度或温致应变平均值。
[0080]
(3)分别计算温度和温致应变的各聚类簇平均值在各个时刻的两两差值向量，温度和温致应变各230400个长度为28的向量；以差值向量为基础，组装温度和温致应变的各
聚类簇平均值在各个时刻的差值邻接矩阵，共2
×
230400个8
×
8的矩阵；以温度和温致应变的各聚类簇平均值在各个时刻的差值向量和差值邻接矩阵为温度场和温致应变场的分布拓扑特征值。
[0081]
(4)将每个时刻一一对应的温度场和温致应变场的聚类簇平均值差值向量数据按照9:1的固定比例划分为训练集与检验集；将训练集与检验集数据按照训练集数据所计算的归一化参数进行归一化。
[0082]
(5)设计双向长短期记忆回归网络，网络结构如图4所示，设定双向长短期记忆网络的目标函数优化算法为自适应矩估计、隐层单元数为300；设定初始学习率为0.01、minimum batch size为4300、maximum epoch为600，采用归一化等后的训练集里的温度场的聚类簇平均值差值向量数据为输入、温致应变场的聚类簇平均值差值向量数据为输出，对回归网络进行训练学习。
[0083]
(6)模型训练达到预设epoch后，将检验集中的温度场的聚类簇平均值差值向量数据输入已训练模型，得到模型回归的温致应变场的聚类簇平均值差值向量结果，采用归一化后检验集中的温致应变场的聚类簇平均值差值向量数据检验模型回归结果精度；检验集中的每条数据均须与对应回归结果计算一个tr，如果整个检验集的tr平均值小于预设值0.05，则认为该回归网络模型可投入使用，反之则调整网络参数和训练参数并重新训练模型。
[0084]
(7)在结构监测过程中，先基于上述230400
×
2条温度场和温致应变场的聚类簇平均值差值向量数据(160天内的数据)建立回归模型；然后以实时监测的温度数据计算温度场的聚类簇平均值差值向量实时数据，并输入所建立的回归网络模型中回归得到温致应变场的聚类簇平均值差值向量实时回归数据；将实时回归的温致应变场的聚类簇平均值差值向量与实时应变监测数据换算所得的温致应变场的聚类簇平均值差值向量作比较，如两者的差异长时间处于较大的状态，则表示结构的温致应变模式发生了重分布。如果有工程需要，可将温度场和温致应变场的聚类簇平均值差值向量数据转换为温度场和温致应变场的聚类簇平均值差值邻接矩阵，聚类簇平均值差值邻接矩阵能更直观地反映分布场的二维特征。图5和图6分别为发生重分布的某时刻，实时回归的温致应变场的聚类簇平均值差值向量与实时应变监测数据换算所得的温致应变场的聚类簇平均值差值向量对比图，具体参考图5所示，和实时回归的温致应变场的聚类簇平均值差值邻接矩阵与实时应变监测数据换算所得的温致应变场的聚类簇平均值差值邻接矩阵对比图，具体参考图6所示。
[0085]
以上实施例仅是对本发明方案的进一步具体说明，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。