结合多通道MTF和CNN的框架结构损伤识别方法

TU312.3%TH825; 为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场(multi-channel Markov transition field,简称MCMTF)和卷积神经网络(convolutional neural network,简称CNN)的框架结构损伤识别方法.首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别.将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,...

Full description

Saved in:
Bibliographic Details
Published in振动、测试与诊断 Vol. 44; no. 2; pp. 217 - 224
Main Authors 梁韬, 叶涛萍, 李守文, 方佳畅, 黄天立
Format Journal Article
LanguageChinese
Published 中南大学土木工程学院 长沙,410075%中建二局第一建筑工程有限公司 北京,100023 01.04.2024
Subjects
data fusion
多通道马尔可夫变迁场
卷积神经网络
convolutional neural network
振动响应
数据升维
vibration response
multi-channel Markov transition field
数据融合
损伤识别
damage identification
data dimension elevation
Online AccessGet full text
ISSN1004-6801
DOI10.16450/j.cnki.issn.1004-6801.2024.02.002

Cover

More Information
Summary:TU312.3%TH825; 为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场(multi-channel Markov transition field,简称MCMTF)和卷积神经网络(convolutional neural network,简称CNN)的框架结构损伤识别方法.首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别.将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆(long short term memory,简称LSTM)神经网络和深度神经网络(deep neural network,简称DNN)3种网络模型,以及噪声对框架结构损伤识别准确率的影响.结果表明:MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层钢框架试验模型实际损伤的识别准确率可达98.4%.
ISSN:1004-6801
DOI:10.16450/j.cnki.issn.1004-6801.2024.02.002