基于深度极限学习机的结构损伤识别方法及系统与流程

1.本发明属于结构损伤识别领域，具体为一种基于深度极限学习机的结构损伤识别方法及系统。


背景技术：

2.大型建筑结构是城市的载体，建筑结构的健康服役是人民正常生活的基础。而随着结构在使用过程中材料的老化、荷载的变化和自然灾害的不断影响，建筑结构会发生不同程度的损伤，而随着损伤程度的加深，建筑结构的安全性能就无法得到保证。因此，对于服役中的建筑结构和建筑结构的关键部件进行健康监测和损伤识别具有非常重要的意义。结构健康监测与损伤识别，具体而言，是指通过在结构上布置传感器，采集结构的损伤数据，将采集到的损伤数据经过数据处理和分析，得到结构的损伤程度和实现损伤的定位。
3.基于振动信号的结构损伤识别在20世纪90年代开始在航空航天领域发展，并在同时期迅速的应用建筑结构损伤识别领域。基于振动信号的损伤识别的技术背景是通过分析结构的动态响应来捕捉结构的动力学参数(质量、刚度、阻尼)，进而实现结构的损伤识别。该方法具有信号容易采集，理论背景清晰，具有较强的实用价值。但通常在结构损伤测量中，存在环境噪声大的问题，导致有时候结构损伤识别效果欠佳。
4.浅层机器学习模型也曾经在基于振动信号的损伤识别方法中大量的使用，但由于浅层学习模型不能够建立损伤数据与损伤程度之间的精确映射关系，很多时候的损伤识别精度较差，有时候甚至不如基于损伤指标的损伤识别方法的识别精度。


技术实现要素：

5.针对现有技术中存在的问题，本发明提供一种基于深度极限学习机的结构损伤识别方法及系统，可以实现结构损伤识别信号的降噪，能够自适应对深度极限学习机模型进行超参数寻优，最终实现结构损伤的快速高精度识别和定位。
6.本发明是通过以下技术方案来实现：
7.一种基于深度极限学习机的结构损伤识别方法，包括以下步骤：
8.获取待测建筑结构的损伤数据并进行预处理；
9.将训损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；
10.采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；
11.采用深度极限学习机损伤识别模型识别建筑结构的损伤位置。
12.优选的，在待测建筑结构的损伤处设置加速度传感器，测量各损伤处的加速度时程数据，得到损伤数据。
13.优选的，所述预处理方法为，对损伤数据进行降噪和归一化处理。
14.优选的，采用希尔伯特黄变换方法对损伤数据进行降噪处理。
15.优选的，使用希尔伯特黄变换提取损伤数据的基本分量，并提取损伤信号各imf分量的能量特征，并将各损伤信号的损伤程度和损伤位置作为标签，与损伤信号各imf分量的能量特征组成特征向量。
16.优选的，采用粒子群优化算法对深度极限学习机模型的超参数进行自适应寻优。
17.优选的，还包括以下步骤，采用获取的新的损伤数据对深度极限学习机损伤识别模型进行更新，提升损伤识别精度。
18.一种基于深度极限学习机的结构损伤识别系统，包括：
19.信号采集模块，用于获取待测建筑结构的损伤数据并进行预处理；
20.模型训练模块，用于将损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；
21.优化训练模块，用于采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；
22.输出模块，用于通过深度极限学习机损伤识别模型得到建筑结构的损伤位置。
23.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于深度极限学习机的结构损伤识别方法的步骤。
24.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度极限学习机的结构损伤识别方法的步骤。
25.与现有技术相比，本发明具有以下有益的技术效果：
26.本发明提供了的基于深度极限学习机的结构损伤识别方法，深度极限学习机继承了极限学习机和深度学习的优点，能够满足运算速度快和深度挖掘数据高维特征的优点，将损伤数据作为训练和测试数据对深度极限学习机模型进行训练和测试，针对深度极限学习机模型训练和测试时超参数多的特点，采用优化算法来实现深度学习模型的超参数自适应优化，同时采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，使深度极限学习机模型达到预定的识别精度，通过迭代训练能够提高深度极限学习机损伤识别模型的识别精度。
27.进一步，在训练前对损伤数据进行降噪处理，通过希尔伯特黄变换对损伤数据进行预处理，实现降低噪声对原始振动信号影响的目的，并将结构损伤程度和损伤位置作为标签，从而实现了损伤程度和损伤位置的同时识别。
28.进一步，在对模型训练之前对损伤数据进行归一化，能够提高深度极限学习机模型损伤识别精度和泛化性能。
29.进一步，使用粒子群优化算法对深度极限学习机模型的超参数进行自适应优化，使得结构损伤识别精度得到大幅度提升。
30.进一步，采用十折交叉验证来验证基于深度极限学习机损伤识别模型的精度和鲁棒性，如果损伤识别精度不能满足工程要求，则扩大损伤识别样本集，并使用粒子群优化算法对深度极限学习机模型进行超参数自适应优化，粒子群优化算法与十折交叉验证配合使用，保证经过超参数优化后的基于深度极限学习机的损伤识别模型的损伤识别效果具有良
好的鲁棒性。
31.进一步，对结构损伤进行不断的监测，将测量得到的损伤数据用于对优化后的基于深度极限学习机的损伤识别模型进行更新，可以不断的提升深度极限学习机损伤识别模型的结构损伤识别效果，使损伤识别精度持续提升。
附图说明
32.图1本发明结构损伤识别中的传感器布置与信号预处理流程图；
33.图2是本发明深度极限学习机结构图；
34.图3是本发明粒子群优化算法流程图；
35.图4是本发明基于深度极限学习机的结构损伤识别方法的流程图。
36.图5为本发明实施例的终端设备结构框图。
37.图中，1为框架结构，2简支梁，3加速度传感器，4信号采集模块，5预处理模块。
具体实施方式
38.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
39.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
40.下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
41.参阅图1-3，基于深度极限学习机的结构损伤识别方法，包括以下步骤：
42.步骤1、获取待测建筑结构的损伤数据。
43.在建筑结构上设置多处不同程度的损伤，并在各损伤处安装加速度传感器，通过加速度传感器3采集不同损伤程度的加速度时程数据。参见图1，在本实施例中，建筑结构为三层的框架结构，在建筑结构的框架结构1和简支梁2上的设置不同程度的损伤，在损伤位置设置加速度传感器3，通过加速度传感器获取框架结构和简支梁的损伤数据。
44.步骤2、对获取的损伤数据进行降噪处理。
45.使用希尔伯特黄变换对采集到的数据进行处理，通过希尔伯特黄变换对信号进行分解，能够进一步提取结构损伤信号的有效特征，具有良好的抗噪性能。
46.使用希尔伯特黄变换提取采集到的结构损伤数据的基本分量，并提取损伤信号各imf分量的能量特征，并将各损伤信号的损伤程度和损伤位置作为标签，与损伤信号各imf
分量的能量特征组成特征向量；
47.对原始振动信号进行经验模态分解(emd)，提取原始信号各imf分量的能量特征
48.其中，hi(ω,t)为第i个imf分量的hilbert谱。
49.还可以使用小波阈值降噪方法对损伤数据进行降噪，或者采用集成的降噪模块对损伤数据进行降噪。
50.步骤3、将采集到的损伤数据整理成结构损伤识别数据集，并将损伤程度和损伤位置作为标签，将结构损伤识别数据集进行归一化，以便于后续的深度学习模型训练。
51.在建立结构损伤识别数据集之前，对结构损伤识别数据集进行归一化，能够提高基于深度极限学习机模型损伤识别精度高和算法的泛化性能。
52.步骤4、将结构损伤识别数据集分为训练数据集和测试数据集，用于深度极限学习机模型的训练和验证，训练数据集和测试数据集中损伤数据的比例可以自定义设置，在迭代训练时，也可以交换训练数据集和测试数据集中的损伤数据。在本实施例中训练数据集和测试数据集的比例为8:2，需要说明的是，这只是示例性说明，可以根据需要重新设定训练数据集和测试数据集的比例，例如，7:3或6:4。
53.步骤5、将训练数据集用于训练深度极限学习机模型，并采用粒子群优化算法对深度极限学习机模型进行超参数自适应寻优，得到训练后的深度极限学习机损伤识别模型。
54.将训练数据集输入至深度极限学习机模型中，并采用粒子群优化算法对深度极限学习机模型的输入权重ai进行了优化，并通过不断的迭代寻优，直到达到了设置的迭代条件为止，最终得到全局最优解x
gbest
，这样可以实现深度极限学习机模型的超参数自适应优化设置，提高了结构损伤识别的精度。
55.步骤6、采用十折交叉验证来评估训练后深度极限学习机模型损伤识别的精度和算法的鲁棒性，如果不满足设定的精度要求，则返回步骤5，重新使用粒子群优化算法对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求为止，得到基于深度极限学习机损伤识别模型。
56.步骤7、训练完成后的基于深度极限学习机损伤识别模型能够实现建筑结构的损伤位置和损伤程度的精确定位，而且所提损伤识别算法具有良好的鲁棒性，通过实时监测结构的响应数据，并将结构的响应数据传递到深度极限学习机损伤识别模型中，深度极限学习机损伤识别模型即可对结构的损伤情况进行识别和定位。
57.步骤8、对建筑结构损伤进行不断的监测，将测量得到的损伤数据用于对优化后的基于深度极限学习机损伤识别模型进行更新，随着结构在线监测的损伤数据的不断积累，可以不断的提升基于深度极限学习机损伤识别模型的结构损伤识别效果，使损伤识别精度持续提升。
58.针对建筑结构损伤识别领域存在的噪声干扰性大和不能实现损伤定位的问题，本发明提供了的基于深度极限学习机的结构损伤识别方法，深度极限学习机继承了极限学习机和深度学习的优点，能够满足运算速度快和深度挖掘数据高维特征的优点，将损伤数据作为训练和测试数据对深度极限学习机模型进行训练和测试，在训练前对损伤数据进行降噪处理，针对实际结构的损伤信号测量中存在高噪声的情况，采用希尔伯特黄变换来实现
降噪，能够提高后续的识别精度，针对深度极限学习机模型训练和测试时超参数多的特点，采用优化算法来实现深度学习模型的超参数自适应优化，同时采用十折交叉验证来检验训练后深度极限学习机模型的损伤识别精度和鲁棒性，使深度极限学习机模型达到预定的识别精度，通过迭代训练能够提高深度极限学习机损伤识别模型的识别精度。
59.其次，采用粒子群优化算法优化深度极限学习机模型的超参数并与十折交叉验证配合使用，保证经过超参数优化后的基于深度极限学习机损伤识别模型的损伤识别效果具有良好的鲁棒性。
60.综合上述内容可知，本发明建立了一种基于深度极限学习机的结构损伤识别方法，结合了信号处理、深度学习和优化算法的相关知识，建立了一种新的损伤识别框架，能够同时实现结构损伤情况的识别和定位，采用信号处理的特征提取技术和优化算法对深度极限学习机的自适应参数优化设置，提升了本发明所提算法的损伤识别精度和算法的鲁棒性。
61.下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
62.参阅图1和4，本发明再一个实施例中，提供一种结构损伤识别系统，该结构损伤识别系统能够用于实现上述基于深度极限学习机的结构损伤识别方法，具体的，该结构损伤识别系统包括信号采集模块、模型训练模块、优化训练模块以及输出模块。
63.信号采集模块4，用于获取待测建筑结构的损伤数据；
64.预处理模块5，用于对损伤数据进行降噪和归一化处理。
65.模型训练模块，用于将训损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；
66.优化训练模块，用于采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；
67.输出模块，用于通过深度极限学习机损伤识别模型得到建筑结构的损伤位置。
68.参见图5，本发明再一个实施例中，提供一种终端设备，包括：在硬件层面，该终端设备包括：处理器和存储器，可选的还包括内部总线、网络接口。其中，存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等。当然，该终端设备可能还包括其他业务所需的硬件。处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等。总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序。具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
69.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成上述终端设备。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具
体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于深度极限学习机的结构损伤识别方法，包括获取待测建筑结构的损伤数据并进行预处理；将训损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；采用十折交叉验证来检验训练后深度极限学习机模型的损伤识别精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；采用深度极限学习机损伤识别模型识别建筑结构损伤位置。
70.再一个实施例中，本发明还提供了一种计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
71.可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于深度极限学习机的结构损伤识别方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：获取待测建筑结构的损伤数据并进行预处理；将训损伤数据输入深度极限学习机模型，并对深度极限学习机模型的超参数自适应寻优，得到训练后的深度极限学习机模型；采用十折交叉验证来检验训练后深度极限学习机模型损伤识别的精度和鲁棒性，如果不满足设定要求，则重新对深度极限学习机模型进行超参数优化，直到满足结构损伤识别的精度要求，得到深度极限学习机损伤识别模型；采用深度极限学习机损伤识别模型识别建筑结构损伤位置。
72.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
73.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
74.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
75.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
76.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。