本發(fā)明涉及結(jié)構(gòu)健康監(jiān)測，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的環(huán)錨鋼絞線索力識(shí)別方法；

背景技術(shù)：

1、測量鋼絞線的索力值一般使用振動(dòng)頻率法進(jìn)行檢測，即通過敲擊鋼絞線產(chǎn)生振動(dòng)，通過鋼絞線的振動(dòng)信號(hào)識(shí)別出各階基頻，進(jìn)而通過鋼弦振動(dòng)方程計(jì)算出鋼絞線索力值；

2、振動(dòng)頻率法本身由于環(huán)境復(fù)雜和計(jì)算條件與現(xiàn)實(shí)差異導(dǎo)致精度難以保證的缺陷，在環(huán)錨預(yù)應(yīng)力鋼絞線索力測試應(yīng)用中更是存在局限性，信號(hào)提取可能出現(xiàn)關(guān)鍵信息的丟失，環(huán)錨測試部分長度較短，邊界條件與斜拉索完全不同，導(dǎo)致振動(dòng)特性差異較大，測試結(jié)果將會(huì)出現(xiàn)偏差；鋼絞線在承受預(yù)應(yīng)力時(shí)可能存在非線性行為，這可能使得簡單的線性振動(dòng)模型無法準(zhǔn)確描述其動(dòng)態(tài)特性，為此，亟需一種基于神經(jīng)網(wǎng)絡(luò)的環(huán)錨鋼絞線索力識(shí)別方法來解決這一問題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決振動(dòng)頻率法在測量環(huán)錨預(yù)應(yīng)力鋼絞線索力存在缺陷的問題，本發(fā)明方法根據(jù)鋼絞線的振動(dòng)信號(hào)數(shù)據(jù)與結(jié)構(gòu)參數(shù)，通過gru神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)后便可給出較為準(zhǔn)確的鋼絞線索力，可用于環(huán)錨預(yù)應(yīng)力鋼絞線索力的實(shí)時(shí)精確識(shí)別。

2、提供的具體技術(shù)方案如下：

3、一種基于神經(jīng)網(wǎng)絡(luò)的環(huán)錨鋼絞線索力識(shí)別方法，具體包括以下步驟：

4、s1：利用振動(dòng)傳感器對(duì)不同環(huán)錨預(yù)應(yīng)力鋼絞線進(jìn)行振動(dòng)測量，記錄其時(shí)域信號(hào)與結(jié)構(gòu)參數(shù)；

5、s2：對(duì)采集到的振動(dòng)時(shí)域信號(hào)進(jìn)行預(yù)處理，通過連續(xù)小波變換得到時(shí)頻域信號(hào)并進(jìn)行歸一化處理并降噪；

6、s3：處理后的時(shí)頻域信號(hào)與環(huán)錨鋼絞線的結(jié)構(gòu)參數(shù)合并作為輸入數(shù)據(jù)，對(duì)應(yīng)索力作為輸出層，建立并劃分?jǐn)?shù)據(jù)集，并按比例劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集；

7、s4：初始化gru網(wǎng)絡(luò)模型，通過ssa更新gru網(wǎng)絡(luò)模型的參數(shù)，訓(xùn)練gru網(wǎng)絡(luò)模型；

8、s5：向訓(xùn)練好的的gru網(wǎng)絡(luò)模型中輸入實(shí)際需要預(yù)測的環(huán)錨鋼絞線結(jié)構(gòu)數(shù)據(jù)，從gru模型快速獲取預(yù)測出的環(huán)錨鋼絞線索力；

9、優(yōu)選的，步驟s1包括：

10、振動(dòng)傳感器附于較長索上，振動(dòng)傳感器距較長索底部5-10cm位置或中間錨具下5-10cm處；

11、對(duì)環(huán)錨模型不同張拉力：50kn，100kn，150kn，200kn拉力下較長索端部敲擊，記錄每次敲擊后鋼絞線振動(dòng)信號(hào)，確保記錄足夠的樣本信號(hào)以覆蓋不同振動(dòng)模式；同時(shí)記錄鋼絞線的結(jié)構(gòu)參數(shù)包括鋼絞線根數(shù)n、上下鋼絞線長度l1、l2、錨具重量m、鋼絞線線密度ρ及其對(duì)應(yīng)索力；

12、通過改變結(jié)構(gòu)參數(shù)以得到大量不同環(huán)錨模型樣本數(shù)據(jù)；

13、優(yōu)選的，步驟s2，具體包括：

14、s21：選定morlet作為小波基函數(shù)，輸入原始振動(dòng)時(shí)域信號(hào)x[n]，長度為1024個(gè)采樣點(diǎn)；

15、；

16、其中，是中心頻率，，為時(shí)間變量；

17、s22：進(jìn)行離散形式下的連續(xù)小波變換?(cwt)

18、；

19、其中：是輸入信號(hào)，是尺度參數(shù)，是平移參數(shù)，是小波函數(shù)的復(fù)共軛，n為信號(hào)長度；

20、s23：對(duì)連續(xù)小波變換cwt后的系數(shù)進(jìn)行歸一化處理，將其縮放到[0,1]范圍，min-max歸一化公式：

21、；

22、其中，為歸一化后的值，是cwt系數(shù)矩陣中每個(gè)元素，和分別是該矩陣中的最大值與最小值；

23、s24：對(duì)歸一化后的cwt系數(shù)進(jìn)行軟閾值降噪：

24、；

25、其中，為輸入的歸一化后的變換系數(shù)，為設(shè)置的閾值；

26、優(yōu)選的，步驟s3，具體包括：

27、通過改變結(jié)構(gòu)參數(shù)，包括錨具質(zhì)量m、鋼絞線根數(shù)n、上下鋼絞線長度l1和l2，對(duì)大量不同環(huán)錨模型的實(shí)測，生成大量帶標(biāo)記的樣本數(shù)據(jù)，將樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集(70％)，驗(yàn)證數(shù)據(jù)集(15％)和測試數(shù)據(jù)集(15％)

28、優(yōu)選的，步驟s4具體包括：

29、s41：使用?keras的?functional?api來分別定義gru網(wǎng)絡(luò)模型的兩個(gè)輸入分支：時(shí)頻域信號(hào)數(shù)據(jù)分支與結(jié)構(gòu)特征分支，處理后的時(shí)頻域信號(hào)長度為?1024?個(gè)采樣點(diǎn)，并且有5個(gè)結(jié)構(gòu)特征（鋼絞線根數(shù)n，上下鋼絞線長度l1、l2，錨具重量m、鋼絞線線密度ρ），分別定義時(shí)頻域信號(hào)數(shù)據(jù)輸入層與結(jié)構(gòu)特性數(shù)據(jù)輸入層；

30、s42：處理時(shí)頻域信號(hào)數(shù)據(jù)：在gru網(wǎng)絡(luò)模型的多層gru中，每層?gru（激活函數(shù)為relu）后接一個(gè)dropout層防止過擬合，最后添加注意力機(jī)制層提取關(guān)鍵信息；

31、s43：處理結(jié)構(gòu)特征數(shù)據(jù)：使用全連接層（dense層）處理結(jié)構(gòu)特性數(shù)據(jù)并接dropout層防止過擬合；

32、s44：使用concatenate層將注意力機(jī)制生成的上下文向量與結(jié)構(gòu)特性處理后的特征向量合并在一起，輸出層為全連接層（dense層）將合并后的特征向量映射到一個(gè)數(shù)值輸出作為索力值，激活函數(shù)為線性（linear）；

33、s45：使用均方根誤差（rmse）指標(biāo)來全面評(píng)估gru網(wǎng)絡(luò)模型的性能；

34、；

35、其中，是真實(shí)值，是預(yù)測值，為樣本數(shù)量；

36、優(yōu)選的，ssa對(duì)gru網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化的步驟如下：

37、定義gru網(wǎng)絡(luò)模型優(yōu)化的超參數(shù)包括隱藏單元數(shù)、dropout率、學(xué)習(xí)率以及優(yōu)化器；

38、采用sobol序列生成高效且均勻的初始麻雀種群，設(shè)置迭代次數(shù)以及捕食者與加入者比例，計(jì)算適應(yīng)度并排序；

39、模擬覓食過程，更新發(fā)現(xiàn)者、加入者、警戒者位置，并在發(fā)現(xiàn)者位置更新中加入自適應(yīng)權(quán)重，公式如下：

40、

41、其中，為迭代次數(shù)，；為迭代次數(shù)上限；表示搜索空間的個(gè)體位置；；為安全值且；為預(yù)警值且；為服從高斯分布的隨機(jī)數(shù)；等于的矩陣；

42、計(jì)算適應(yīng)度值并更新麻雀位置，優(yōu)化迭代過程采取精英保留策略：保留當(dāng)前最佳適應(yīng)度個(gè)體進(jìn)入下一代；如果新的麻雀優(yōu)于歷史最佳個(gè)體，則替換歷史最佳個(gè)體；

43、設(shè)置適應(yīng)度閾值為0.95、最大迭代次數(shù)為100次，適應(yīng)度變化率為1e-6，若滿足算法迭代停止條件，輸出全局尋優(yōu)解及其相關(guān)參數(shù)，否則重復(fù)迭代，直到滿足算法設(shè)定的迭代停止條件；

44、優(yōu)選的，步驟s5，具體包括：

45、當(dāng)訓(xùn)練完成并通過驗(yàn)證和測試后，便可將其部署到實(shí)際應(yīng)用中，對(duì)環(huán)錨預(yù)應(yīng)力鋼絞線的索力進(jìn)行實(shí)時(shí)識(shí)別：通過振動(dòng)信號(hào)的實(shí)時(shí)采集和處理，結(jié)合訓(xùn)練好的gru網(wǎng)絡(luò)模型，以便快速準(zhǔn)確地預(yù)測索力值；

46、本發(fā)明具有如下優(yōu)點(diǎn)：

47、1、?本發(fā)明通過對(duì)大量環(huán)錨預(yù)應(yīng)力鋼絞線振動(dòng)測試數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，將預(yù)處理后的時(shí)頻域信號(hào)特征與結(jié)構(gòu)特征參數(shù)共同建立數(shù)據(jù)集，并按比例劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集，通過神經(jīng)網(wǎng)絡(luò)構(gòu)建環(huán)錨預(yù)應(yīng)力鋼絞線索力預(yù)測模型，神經(jīng)網(wǎng)絡(luò)的超參數(shù)由ssa（麻雀搜索優(yōu)化算法）進(jìn)行優(yōu)化自選取，得到成熟的環(huán)錨預(yù)應(yīng)力鋼絞線索力預(yù)測模型，從而精確預(yù)測環(huán)錨預(yù)應(yīng)力鋼絞線的索力，避免了振動(dòng)頻率法的各階基頻識(shí)別過程可能會(huì)出現(xiàn)的誤差并無需考慮復(fù)雜邊界條件，可以得到更為準(zhǔn)確的索力值，實(shí)現(xiàn)了網(wǎng)絡(luò)模型中超參數(shù)的自動(dòng)優(yōu)化，優(yōu)化后的網(wǎng)絡(luò)模型可通過時(shí)域信號(hào)與結(jié)構(gòu)參數(shù)得到精確索力值，代替了傳統(tǒng)的振動(dòng)頻率法進(jìn)行計(jì)算的繁瑣過程；

48、2、?本發(fā)明除了適用于環(huán)錨鋼絞線索力識(shí)別，也可用于其他建筑結(jié)構(gòu)中的特殊拉索或預(yù)應(yīng)力鋼絞線的索力識(shí)別，具有一定通用性；

49、3、?本發(fā)明計(jì)算方法簡單，計(jì)算速度快，環(huán)錨張拉后即可進(jìn)行實(shí)時(shí)測量。