一种基于多输入卷积神经网络的隔震支座损伤识别方法

本发明涉及隔震支座损伤识别领域，具体地指一种基于多输入卷积神经网络的隔震支座损伤识别方法。

背景技术：

1、隔震工程在多次灾害中表现卓越，已有相对成熟的设计方法，成为建设韧性城市中提高单体建筑结构抗震韧性的主要手段。基础隔震通过基础与上部结构之间设置柔性隔震层，实现上部结构与基础的隔离，以此来减少地震运动能量对上部结构地震响应的影响，有效地保护上部结构的安全。隔震结构作为隔震体系的关键部位，在全寿命服役期间，由于外部环境及偶然荷载的作用，可能出现橡胶材料老化、开裂、脱空、刚度退化导致支座损伤等，如果不能及时发现损伤，当地震来临时会对上部结构造成潜在威胁。例如，震害调查中发现，约有15％的隔震结构隔震装置出现损伤，这表明实际地震条件下，隔震支座可能出现性能退化。

2、现阶段，隔震支座的检测手段主要依赖于人工拆卸待检测的支座，然后通过外观检查和荷载实验等技术手段来评估其安全性，最后再重新安装。对于一个大型隔震工程(隔震支座数量达到数千甚至上万个)，这种评估方法存在成本高、耗时间长的限制，并且无法准确监测隔震支座运行时的状态。对于隔震支座健康监测，常用的监测技术是整合各类传感器和检测技术，通过长期监测力学参数变化，来实现隔震支座损伤识别。kawasaki等利用声发射技术对隔震支座进行健康监测，以此来评估橡胶支座损伤情况，通过统计声强度参数变化，来确定隔震支座损伤位置和损伤程度，即声发射强度越大，损伤程度越严重。yoneda等提出一种超声波无损检测方法，通过在支座周围布置压电传感器。臧晓秋等将竖向和水平测力传感器集成到盆式橡胶支座上，实现了实施测力的效果。liu等在盆式橡胶支座的底部安装了薄膜压阻型传感器，以便对支座的轴压进行监测。然而上述声发射、超声波都属于无损检测，这些方法通常能够直观地识别支座的局部损伤，但要求事先大致了解损伤位置，并且损伤位置需易于检测仪器操作。对于复杂结构，这种方法可能受到环境等因素的限制，且无法全面诊断结构整体损伤情况。

3、近年来，卷积神经网络在各个领域(如图像分类、目标识别等)发展迅速，并成功应用于土木工程损伤识别领域，其中主要包括识别节点损伤、杆件损伤、螺栓松动、裂缝等。随着卷积神经网络的深入，越来越多的学者将支座损伤作为研究对象，提出不同的识别方法。崔弥达将卷积神经网络，应用于桥梁橡胶支座病害识别，损伤类型为支座环向开裂、剪切变形，并利用python编程语言开发桥梁支座病害自动识别软件。chen等将桥梁振动模态信息和支座损伤信息分别作为径向基函数神经网络的输入和输出，利用大量的数值模拟生成的数据完成支座损伤识别。zeng等提出基于离散小波包变换和双向长短时记忆神经网络的支座轴压识别方法，准确识别出支座的轴压。值得注意的是，cnn在各种结构损伤识别领域发展迅速，但是用于隔震支座损伤识别的较少，特别是针对建筑隔震工程的隔震支座，所以本发明对此开展隔震支座损伤识别研究。

技术实现思路

1、本发明要解决的技术问题是针对以上不足，提供一种基于多输入卷积神经网络的隔震支座损伤识别方法。

2、为解决以上技术问题，本发明采用以下技术方案：

3、一种基于多输入卷积神经网络的隔震支座损伤识别方法，包括以下步骤：

4、步骤1、通过etabs数值模拟得到的隔震支座损伤下的动力响应原始信号样本，每个样本数据包括加速度和位移数据；

5、步骤2、采用标准化和滑动窗口数据增强方式对样本数据集进行预处理，得到预处理后的数据集；

6、步骤3、利用预处理后的数据集对mi-cnn模型进行训练，训练完毕后后得到隔震支座损伤识别模型；

7、步骤4、采集待检测的隔震支座损伤下的加速度和位移数据，利用上一步得到的隔震支座损伤识别模型进行损伤识别分类，输出损伤分类结果。

8、进一步的，所述步骤1中的样本数据集包括单损伤数据集和多损伤数据集，单损伤的含义为模拟的隔震支座的损伤位置仅一处，多损伤的含义为模拟的隔震支座的损伤位置超过一处。

9、进一步的，所述步骤2具体包括以下步骤：

10、步骤1.1、采用标准化方法对数据进行处理，公式为：

11、

12、式中：为标准化后的值，为原始样本，为样本的均值，为样本的标准差。标准化后得到的值符合正态分布，意味着均值为0，方差为1；

13、步骤1.2、采用滑动窗口数据增强方式对标准化处理后的数据进行数据增强，得到扩充后的数据集。

14、进一步的，步骤3中，所述mi-cnn模型包括多输入层、卷积层、池化层、合并层、全连接层、分类层/回归层和批量归一化层，用于分别对样本的加速度数据和位移数据进行三组卷积和池化操作，并在合并层沿着同一维度进行特征融合得到特征图，之后全连接将特征图展开输入到普通bp神经网络中进行计算，最后连接一个softmax分类器或回归，实现对目标类别的分类和预测输出。

15、进一步的，步骤3中，mi-cnn模型采用leaky-relu函数作为激活函数，并使用最大池化。

16、进一步的，步骤3中，mi-cnn模型采用自适应矩估计方法进行优化。

17、本发明采用以上技术方案后，与现有技术相比，具有以下优点：

18、当隔震层出现少量支座损伤时，采集的振动响应信号变化其实是很微小的，再经由常规的归一化缩放到[-1,1]区间时，这种差异只会越来越小。当这种情况映射到神经网络中，则会产生大量相似性样本，导致神经网络训练困难，特别是处理分类任务时，这会使神经网络很难区分不同类别的样本，进而导致模型泛化能力降。为此本发明对训练数据集采用另外一种预处理方法，即标准化处理，通过对比发现，采用归一化数据预处理后样本数据变化较小，而采用标准化处理后数据出现明显差异，很显然后者有利于网络训练和识别的。同时为了提升模型的泛化能力，本发明利用数据增强来扩充样本量。

19、本发明的输入信号包括位移和加速度数据，采用的是基于多输入特征融合下的支座损伤识别，通过实验证明，不论是在单损伤还是多损伤工况下，其性能都是优于单输入的。由此可知，采用多输入策略，有助于使网络同时学到隔震支座损伤信号的时间(加速度)和空间(位移)特征，避免了单输入卷积神经网络识别过程中，会丢失掉部分损伤特征。

20、本发明的mi-cnn模型对于损伤位置识别具有更好的分类性能，在单损伤和多损伤测试集中识别准确率分别达到了95.98％和96.87％；对于损伤程度识别，其相较于cnn1和cnn2具有更小的预测误差，在单损伤和多损伤测试集中预测误差分别为6.87×10-4和5.48×10-4。

21、下面结合附图和实施例对本发明进行详细说明。

技术特征：

1.一种基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，所述步骤1中的样本数据集包括单损伤数据集和多损伤数据集，单损伤的含义为模拟的隔震支座的损伤位置仅一处，多损伤的含义为模拟的隔震支座的损伤位置超过一处。

3.根据权利要求1所述的基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，所述步骤2具体包括以下步骤：

4.根据权利要求1所述的基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，步骤3中，所述mi-cnn模型包括多输入层、卷积层、池化层、合并层、全连接层、分类层/回归层和批量归一化层，用于分别对样本的加速度数据和位移数据进行三组卷积和池化操作，并在合并层沿着同一维度进行特征融合得到特征图，之后全连接将特征图展开输入到普通bp神经网络中进行计算，最后连接一个softmax分类器或回归，实现对目标类别的分类和预测输出。

5.根据权利要求1所述的基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，步骤3中，mi-cnn模型采用leaky-relu函数作为激活函数，并使用最大池化。

6.根据权利要求1所述的基于多输入卷积神经网络的隔震支座损伤识别方法，其特征在于，步骤3中，mi-cnn模型采用自适应矩估计方法进行优化。

技术总结
本发明涉及一种基于多输入卷积神经网络的隔震支座损伤识别方法，本发明针对隔震支座损伤识别方法进行研究，提出一种以隔震支座振动信号为输入的基于多输入卷积神经网络模型。首先采集隔震支座水平方向加速度和位移信号，采用标准化预处理方法和数据增强扩充样本，然后将样本输入到所建立的网络模型并训练，最后利用训练好的网络模型进行损伤识别。结果表明：相较于传统单输入CNN模型，基于MI‑CNN模型易于训练，可最大地发挥CNN对损伤信号特征的提取能力，且具有更好的损伤位置识别准确率和更小的损伤程度识别误差，以及针对不均衡数据集更稳定的识别效果，可为隔震支座损伤识别提供新思路。

技术研发人员：赵丽洁,李纯,王昊,解咏平,王旭
受保护的技术使用者：天津农学院
技术研发日：
技术公布日：2024/9/23