【技术实现步骤摘要】
本专利技术涉及损伤识别，特别涉及一种智能化结构损伤检测方法及系统。
技术介绍
1、在现代工程管理和安全监控领域，及时准确地识别和评估结构损伤是至关重要的。随着技术的发展，尤其是物联网和人工智能技术的进步，结构健康监测系统逐渐朝向智能化、自动化发展。然而，现有的损伤识别技术面临着多方面的挑战，包括如何有效地处理和融合来自不同传感器的数据、如何适应多变的环境条件以及如何快速准确地识别和评估新出现的损伤类型等问题。这些挑战促使研究人员和工程师寻求更加高效、智能的解决方案，以提高结构健康监测的准确性和效率，保障人类生活和财产的安全。
2、现有专利cn202311581511.2，公开了一种基于贝叶斯理论的装配式结构损伤识别方法，包括：对装配式结构进行地震动激励测试，通过传感器采集加速度响应数据；基于模态力信息构建所述加速度响应数据的对数似然函数；通过em算法对所述对数似然函数进行优化求得实测模态参数；根据所述实测模态参数和有限元模型参数差建立目标函数，所述有限元模型为装配式结构设计时的理论结构模型；通过mcmc算法不断迭代得到与实测模态参数最为接近的修正后的有限元模型；通过模拟移动荷载对修正后的有限元模型进行加载模拟试验，定位损伤位置和损伤大小。该专利提高了计算效率，节省了计算时间，可以实现装配式结构的损伤预警和实时监测的可视化。
3、但是，该专利在实施过程中存在如下技术问题：现有技术难以从多维度全面捕捉损伤特征，导致识别精度和可靠性不足，忽略了环境条件对损伤识别效果的影响，缺乏有效的环境自适应机制，使得在不同环
4、因此，如何提供一种结构损伤检测技术，实现全面的结构识别和/或评估，是目前亟待解决的问题。
技术实现思路
1、本专利技术实施例提供了一种智能化结构损伤检测方法及系统，以解决现有技术中的上述技术问题。
2、为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
3、根据本专利技术实施例的第一方面，提供了一种智能化结构损伤检测方法。
4、在一个实施例中，所述智能化结构损伤检测方法，包括：
5、获取多个结构传感器监测数据，并对多个结构传感器监测数据进行多维融合处理，得到监测融合数据；
6、基于监测结构所处环境，对预先设定的环境条件指标进行自适应调整，得到环境特征提取参数；
7、根据所述监测融合数据和所述环境特征提取参数，利用预先训练的多阶段深度学习模型进行结构损伤识别，得到结构损伤识别结果。
8、在一个实施例中，结构传感器包括：光谱成像传感器、红外热像仪和振动传感器。
9、在一个实施例中，所述的智能化结构损伤检测方法，还包括：在对多个结构传感器监测数据进行多维融合处理之前，对结构传感器监测数据进行预处理；其中，所述预处理包括：去噪声处理、归一化处理和/或数据格式及尺寸标准化处理。
10、在一个实施例中，在对多个结构传感器监测数据进行多维融合处理时的数据融合公式为：式中，表示监测融合数据，是多维数据融合函数，是根据每种结构传感器监测数据重要性预先设定的权重参数，是对第 i种结构传感器数据应用的预处理函数；为结构传感器监测数据。
11、在一个实施例中，所述环境条件指标的计算公式为：式中，表示环境条件指标，代表环境光照强度，表示背景噪声级别，是传感器温度，和用于调整光照强度和背景噪声级别以及温度对环境条件指标的贡献，是光照强度的指数影响系数；
12、所述环境条件指标自适应调整计算公式为：式中，表示基于环境条件指标动态调整的环境特征提取参数，、、、分别是根据实验数据设定的参数，调整特征提取过程中对环境条件变化的响应灵敏度。
13、在一个实施例中，所述多阶段深度学习模型具备三个阶段，分别为环境感知调整阶段、深度卷积神经网络阶段以及残差网络融合阶段；其中，
14、所述环境感知调整阶段利用环境特征提取参数对监测融合数据进行增强处理，计算公式为：式中，表示环境感知调整阶段的输出，即增强后的数据；表示归一化因子，用于确保函数内部参数的范围；表示监测融合数据；表示环境条件指标；e表示自然底数；表示圆周率；
15、所述深度卷积神经网络阶段包含多个卷积层，每个卷积层使用一组滤波器来提取所述环境感知调整阶段输出的特征，所述深度卷积神经网络阶段的计算公式为：
16、
17、式中，表示最后一个卷积层的输出特征；表示所述深度卷积神经网络阶段的输出；表示所述环境感知调整阶段输出的特征；表示滤波器；表示卷积操作；表示偏置；表示缩放参数；表示正则化系数；表示线性整流函数；
18、所述残差网络融合阶段采用残差网络，将所述环境感知调整阶段和所述深度卷积神经网络阶段的输出进行融合，并通过卷积层、激活层、池化层和全连接层进行深度学习处理，通过混合激活函数和稀疏性处理得到最终的损伤识别结果；所述残差网络融合阶段的计算公式为：式中， 表示所述残差网络融合阶段的输出，即损伤识别结果；表示softmax激活函数；表示拼接符号；表示调节深度卷积神经网络输出与损伤识别结果之间的线性关系强度的参数；表示调节深度卷积神经网络输出中稀疏性处理部分影响力度的参数。
19、在一个实施例中，所述的智能化结构损伤检测方法，还包括：根据所述结构损伤识别结果，利用增量式迁移学习网络，对结构损伤进行评估，得到结构损伤评估结果。
20、在一个实施例中，所述增量式迁移学习网络包括：增量式学习预处理层、自适应迁移学习层、增量式学习更新层和全连接层；其中，
21、所述增量式学习预处理层用于对所述结构损伤识别结果非线性变换，调整数据的尺度和分布，所述非线性变换的公式为：
22、式中，表示预处理后的数据，即增量式学习预处理层的输出，表示激活函数，增加处理后数据的非线性度；至表示调节参数，通过实验优化，用于控制数据变换的具体行为和强度；表示所述残差网络融合阶段的输出；e表示自然底数；
23、所述自适应迁移学习层用于利用预先设定的自适应权重参数对增量式学习预处理层的输出进行迁移学习优化，所述移学习优化的公式为：式中，表示自适应迁移学习层的输出，代表了经过迁移学习调整和优化后的数据特征，所述数据特征是从增量式学习预处理层的输出中提炼和优化得到的；表示整个迁移学习过程的优化函数；表示第n层的调节系数；n表示迁移学习层中的层次索引，表示第n层的处理函数，对增量式学习预处理层的输出进行变换处理；表示自适应权重参数；表示hadamard乘积，用于特征向量的逐元素加权；
<本文档来自技高网...【技术保护点】
1.一种智能化结构损伤检测方法，其特征在于，包括：
2.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，结构传感器包括：光谱成像传感器、红外热像仪和振动传感器。
3.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，还包括：
4.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，在对多个结构传感器监测数据进行多维融合处理时的数据融合公式为：式中， 表示监测融合数据，是多维数据融合函数，是根据每种结构传感器监测数据重要性预先设定的权重参数，是对第i种结构传感器数据应用的预处理函数；为结构传感器监测数据。
5.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，所述环境条件指标的计算公式为：式中，表示环境条件指标，代表环境光照强度，表示背景噪声级别，是传感器温度，和用于调整光照强度和背景噪声级别以及温度对环境条件指标的贡献，是光照强度的指数影响系数；
6.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，所述多阶段深度学习模型具备三个阶段，分别为环境感知调整阶段、深度卷积神经网络阶段以及残差网络
7.根据权利要求6所述的智能化结构损伤检测方法，其特征在于，还包括：
8.根据权利要求7所述的智能化结构损伤检测方法，其特征在于，所述增量式迁移学习网络包括：增量式学习预处理层、自适应迁移学习层、增量式学习更新层和全连接层；其中，
9.一种智能化结构损伤检测系统，其特征在于，包括：
10.根据权利要求9所述的智能化结构损伤检测系统，其特征在于，还包括：
...【技术特征摘要】
1.一种智能化结构损伤检测方法，其特征在于，包括：
2.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，结构传感器包括：光谱成像传感器、红外热像仪和振动传感器。
3.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，还包括：
4.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，在对多个结构传感器监测数据进行多维融合处理时的数据融合公式为：式中， 表示监测融合数据，是多维数据融合函数，是根据每种结构传感器监测数据重要性预先设定的权重参数，是对第i种结构传感器数据应用的预处理函数；为结构传感器监测数据。
5.根据权利要求1所述的智能化结构损伤检测方法，其特征在于，所述环境条件指标的计算公式为：式中，表示环境条件指标，代表环境光照强度，...
【专利技术属性】
技术研发人员：吴攀，董伟娜，陈晓龙，滕超，王群，袁得晓，
申请(专利权)人：青岛海川建设集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。