[go: up one dir, main page]

CN118839564B - 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法 - Google Patents

基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法 Download PDF

Info

Publication number
CN118839564B
CN118839564B CN202410950413.XA CN202410950413A CN118839564B CN 118839564 B CN118839564 B CN 118839564B CN 202410950413 A CN202410950413 A CN 202410950413A CN 118839564 B CN118839564 B CN 118839564B
Authority
CN
China
Prior art keywords
full
vibration mode
structural
freedom
generator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410950413.XA
Other languages
English (en)
Other versions
CN118839564A (zh
Inventor
黄永
张浩宇
张云开
闫昕
李惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Shenzhen
Original Assignee
Harbin Institute of Technology Shenzhen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Shenzhen filed Critical Harbin Institute of Technology Shenzhen
Priority to CN202410950413.XA priority Critical patent/CN118839564B/zh
Publication of CN118839564A publication Critical patent/CN118839564A/zh
Application granted granted Critical
Publication of CN118839564B publication Critical patent/CN118839564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提出基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法。首先，训练生成对抗网络模型，学习结构有限元模型在物理参数各可能数值下的模拟振型大数据集，生成器输入为低维空间中随机采样的向量z，输出为高维的模拟全自由度振型数据φ。其次，基于动力学知识建立振型与监测数据的映射关系，构建优化目标函数。最后，训练好的生成器G通过相对低维的向量z表示结构全自由度振型的特征，通过直接在z空间搜寻获得最优全自由度振型该方法将生成器作为待识别振型φ的物理模型驱动约束项，从有限元模拟数据中自动学习振型识别有关的物理信息来改善全自由度模态识别反演问题的不适定性。

Description

基于少量测点加速度数据和生成对抗网络的结构全自由度振 型识别方法
技术领域
本发明属于结构模态识别和机器学习技术领域，特别是涉及一种基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法。
背景技术
我国基础设施建设取得了巨大成就，规模居于世界首位。但是基础设施在环境侵蚀、材料老化、荷载长期效应和构件缺陷等因素共同作用下，不可避免地产生损伤累积、导致其承载能力不断降低、服役功能不断丧失，甚至危及结构的安全使用。保障重大基础设施的服役安全并延长其寿命是关系国计民生的重大问题。结构健康监测通过布设大规模、分布式传感器网络以及安装数据采集、传输、管理和分析系统，现场感知、诊断、评估结构的损伤演化与安全状态，有效保障了重大基础设施的服役安全和寿命。在结构健康监测中，结构模态识别应用采集的结构响应数据和可能的激励荷载，估计结构动力系统的数学模型及其参数，有利于对结构深入认识，对保障结构服役安全至关重要，是结构健康监测的核心问题和重要内容。
结构振型等模态参数是连接结构动力响应和刚度、阻尼等物理参数的桥梁。在结构模态识别中，我们往往需要在未知荷载的情况下从结构的动力响应中反推结构模态参数，并进一步识别结构物理参数来进行结构的健康诊断和安全评定，而结构振型的空间分辨率即识别的自由度数目决定了识别的物理参数精度(例如结构刚度识别的分辨率)。但是在结构模态识别中，存在着虚假模态多、振型空间分辨率(自由度数目)受传感器测点布置的影响而较低等问题。因此，包含较多自由度的振型向量特别是全自由度振型，因其高维特性以致在结构系统识别问题中成为不适定性的重要来源。对于每一结构，结构系统振型虽然具有某种简洁的固定模式，但是其不满足稀疏性特征，因此不能采用零范数和一范数约束的稀疏反演。此外，采用二范数正则项也难以产生有效的约束作用。在观测数据信息严重不完备的情况下，为了进一步限制结构振型的求解空间，理论上可以采用结构有限元模型基于各可能的物理参数数值模拟结构全自由度振型数据，即把解缩少至所有具有“结构动力学物理意义”的振型中，以穷举的方式搜寻合理的结构振型解，但由于庞大的计算复杂度是不现实的。因此我们需要进一步寻找有效的约束手段，实现结构全自由度振型的精确识别，是提高结构物理参数识别精度和鲁棒性的重要途径。近年来发展起来的深度学习生成模型为解决此问题提供了有效的手段。
2014年，Goodfellow等提出了生成对抗网络(GenerativeAdversarial Network，GAN)。基于博弈论中零和博弈的思想，生成对抗网络创新地使用对抗训练方法自动学习真实数据在某一特定隐含空间(latent space，该空间一般为低维向量空间)的分布，并表现出了优越的数据生成性能。训练完毕的生成对抗网络可以从隐含空间中进行采样，并生成大量接近真实分布的数据。近五年来，生成对抗网络在超分辨率，图像编辑，一维数据增强等领域获得了大量的关注与创新。与传统生成模型相比，生成对抗网络利用判别器来判断生成数据是否逼真，因此无需假设真实数据的分布，而是在服从某一随机分布的低维向量空间中采样，并利用对抗训练使得生成器学习低维向量(即生成器的隐含特征空间向量)与真实训练数据集分布之间的映射关系，从而获得能生成大量逼真数据的生成模型。生成器可以通过低维隐含特征空间捕获出训练数据集隐含的物理特征，对于那些具有简洁特征模式，但是难以用显性数学表达式刻画的特征具有明显的学习捕获能力。
考虑到结构振型具有非解析的固定模式，及生成对抗网络在音频、图像和视频等高维数据生成任务中展现的强大低维向量表征能力，本发明研究结构全自由度振型的高维数据，用生成对抗网络模型学习某一结构有限元模型在结构物理参数各可能数值下的模拟振型大数据集。生成器输入为低维空间中随机采样的向量z，输出为高维的模拟全自由度振型数据。如果生成器模型能通过相对低维的向量z去获得结构全自由度振型的特征，能直接在z空间搜寻获得最优，而可以不直接识别全自由度振型。因此，生成器模型在这里作为了识别振型的物理模型驱动约束项，即从有限元模拟数据中自动学习到振型有用信息来改善振型识别反问题的不适定性。本发明将建立将考虑结构参数不确定性的全自由度振型大数据集映射为低维表征向量的生成对抗网络模型，基于该模型蕴含的结构振型动力学物理约束和低维向量z的优化，研究基于生成对抗网络的结构全自由度振型识别及其对应的系统识别方法。
发明内容
本发明目的是为了解决现有技术中的问题，提出了一种基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法。所述方法适用于根据少量空间传感器监测数据识别结构全自由度模态振型。
本发明是通过以下技术方案实现的，本发明提出基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法，所述方法包括以下步骤：
步骤一、对结构有限元模型的物理参数进行随机抽样，计算并建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度模态振型大数据集；
步骤二、构建生成对抗网络模型并训练模型，将考虑结构参数不确定性的全自由度振型φ′映射为低维向量z，获得具有低维表征全自由度振型能力的生成器G，实现对全自由度振型大数据集的结构动力学物理约束信息的提取；
步骤三、基于已训练的结构振型生成器，建立同类结构的迁移学习准则，针对具体情况采用合适的迁移学习方法，实现结构振型生成器G的快速训练；
步骤四、基于结构自由振动响应、以及获得的蕴含结构振型动力学物理约束并具有低维表征全自由度振型能力的生成对抗网络模型，利用低维向量z寻优过程中易收敛于真实解的特性，使用少量测点的结构响应实现全自由度模态振型的识别。
进一步地，所述步骤一具体为：
步骤1.1、基于灵敏度分析，确定影响结构振型变化的敏感物理参数；
步骤1.2、对于这些物理参数，以物理模型的名义值为中心并设置一定的方差进行大量次数的高斯随机抽样，此外也对其他物理参数进行随机抽样；
步骤1.3、基于每一次抽样得到的物理参数，使用有限元模拟计算多阶全自由度模态振型，建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度振型大数据集。
进一步地，所述步骤二具体为：
步骤2.1、构建生成对抗网络模型，所构建的生成对抗网络模型由生成器G和判别器D两部分组成；
步骤2.2、基于所建立的模型，判别器以判断输入数据是否来源于真实数据集为目标，而生成器以生成逼真的数据混淆判别器的判断为目标，通过动态的博弈过程不断提升生成器的生成能力；
步骤2.3、对生成器生成全自由度振型与有限元模拟“真实”全自由度振型进行特征提取，然后在特征空间计算FID距离度量来量化数据生成质量；
步骤2.4、建立低维向量z的维数选取方法，获得具有低维表征全自由度振型能力的生成器模型G，实现有限元模拟高维全自由度振型大数据集向低维向量z的映射。
进一步地，生成器G和判别器D这两个部分的功能分别为：生成器的输入为从隐含空间中随机采样的低维向量z，这个向量经由生成器网络投影为“生成”全自由度振型数据φ＝G(z)；判别器的输入为结构有限元模拟计算的“真实”全自由度振型数据φ′和生成器生成的振型数据φ，经由判别器网络输出判别结果为真或假。
进一步地，基于FID指标数值增大趋势稳定时对应的低维向量z的最小维数作为选择的合适维数。
进一步地，在步骤三中，针对深度学习模型的迁移学习方法有两大类：微调和特征提取器冻结；微调法是利用训练完毕的模型网络参数，针对目标任务再进行重新微调，提高迁移学习效果；特征提取器冻结法则是将网络中大部分的隐含层参数固定为训练完毕的模型网络中对应位置的参数值，其它层重新进行训练，最大限度地节省网络训练时间；针对具体所需的目标结构的模态特征学习任务，观察FID指标的变化趋势，测试两类方法进行选取。
进一步地，所述步骤四具体为：
步骤4.1、利用观测的结构振动响应数据y′，建立模态识别的优化目标函数Lz；基于振动理论，分析结构振动响应数据与结构振型参数之间的力学关系；根据模态叠加原理，结构振动响应近似表达为对应的各阶模态坐标与结构模态振型的乘积求和；在频域内结构动力响应与结构振型之间的关系由线性映射表示；
步骤4.2、将在生成器G隐含空间中随机采样的低维向量z作为初始值，代入目标函数Lz；依据反向传播理论，计算由目标函数误差引起的梯度，通过梯度下降方法更新低维向量z的值，不断迭代，直至迭代收敛得到低维向量最优解最终，经由振型生成器G投影得到作为结构全自由度模态振型识别的结果。
进一步地，在步骤4.2中，目标函数具体为：
Lz＝||A·F[G(z)]-y′||2+λ·Lp(z)
其中，F是结构动力学关系，A是线性观测矩阵，Lp是选择的惩罚项，λ是对应超参数。
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法的步骤。
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法的步骤。
本发明的有益效果：
1.本发明所述的基于生成对抗网络的全自由度模态振型识别方法与传统方法相比，将模态振型的生成器作为模态识别的物理约束，仅基于少量空间稀疏点式的传感器就可以识别结构全自由度模态振型，降低了监测成本、提高了识别精细度，适合应用于实际的结构健康监测系统中。
2.本发明利用学习了多元化模态振型大数据集的生成对抗网络生成器作为物理约束，建立低维向量与传感器观测数据的映射关系，通过对低维向量进行优化，实现基于少量测点的全自由度模态振型识别，显著降低了解空间的维度，缓解了模态识别反演问题的不适定性，增强了模态识别的速度和精细度。
3.本发明方法对噪声鲁棒性强，所训练的生成器蕴含的物理约束保证了模态识别结果的物理真实性，这能帮助能排除数据中存在的虚假模态，实现了比传统模态识别方法更好的鲁棒性，降低了模态识别方法对于监测数据质量的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法示意图。
图2为完备观测下本发明方法对应简支梁结构的前八阶振型识别的结果示意图。
图3为本发明针对桁架结构训练全自由度模态振型生成器的生成数据示例示意图。
图4为稀疏观测下本发明方法对应桁架结构基本模态识别结果示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是为了解决现有模态识别方法仅能获取测点位置的少数自由度的模态振型值的问题，这一问题将导致产生的虚假模态无法排除，并降低模态识别方法的使用价值。因而，本发明提出一种基于生成对抗网络学习包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度模态振型大数据集，捕获数据集中有关模态振型物理特征的约束，训练得到全自由度模态振型的生成器，将该生成器作为物理约束的仅基于少量测点观测数据的全自由度模态振型识别方法。利用低维向量在寻优过程中易于收敛于真实解的特性，该方法不但增强了模态识别的速度、精度、以及空间分辨率，并且重构结果中的特征更具有物理真实性，自动实现对于数据噪声中包含的虚假模态的鲁棒性，在实际工程中适用范围更广。例如图1所示的生成对抗网络模型训练、迭代优化识别全自由度模态振型的过程原理。对于结构健康监测中的空间稀疏点式的监测数据，由于增加传感器将显著提高系统成本，因此亟需一种仅基于少量测点识别高分辨率模态振型的方法，同时，实际土木工程结构的数据变异性较大，需要对虚假模态敏感，抵抗噪声干扰，从而适用于本发明方法。
本发明提出一种基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法，具体包括以下步骤：
步骤一、对结构有限元模型的物理参数进行随机抽样，计算并建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度模态振型大数据集；
步骤二、构建生成对抗网络模型，并训练模型将考虑结构参数不确定性的全自由度振型φ′映射为低维向量z，获得具有低维表征全自由度振型能力的生成器G，实现对全自由度振型大数据集的结构动力学物理约束信息的提取；
步骤三、所述方法识别振型的关键在于生成器G学习到的某一结构的全自由度振型特征，因此仅适用于训练生成对抗网络时所对应结构的振型识别。为了扩展方法对于其他结构的适用性，利用同一类型结构的振型之间往往有着相似的特征这一知识，基于已训练的结构振型生成器，建立同类结构的迁移学习准则，针对具体情况采用合适的迁移学习方法，实现结构振型生成器G的快速训练；
步骤四、基于结构自由振动响应、以及获得的蕴含结构振型动力学物理约束并具有低维表征全自由度振型能力的生成对抗网络模型，利用低维向量z寻优过程中易于收敛于真实解的特性，仅使用少量测点的结构响应实现全自由度模态振型的识别。
为了使生成对抗网络模型具有更好的泛化能力，模拟数据集数据量要尽量大，且充分考虑结构物理模型参数值的不确定性。所述步骤一具体为：
步骤1.1、基于灵敏度分析，确定影响结构振型变化的敏感物理参数；
步骤1.2、对于这些物理参数，以物理模型的名义值为中心并设置一定的方差进行大量次数的高斯随机抽样，此外也对其他物理参数进行随机抽样；
步骤1.3、基于每一次抽样得到的物理参数，使用有限元模拟计算多阶全自由度模态振型，建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度振型大数据集。
所述步骤二具体为：
步骤2.1、构建生成对抗网络模型，所构建的生成对抗网络模型由生成器G和判别器D两部分组成。这两个部分的功能分别为：生成器的输入为从隐含空间中随机采样的低维向量z，这个向量经由生成器网络投影为“生成”全自由度振型数据φ＝G(z)；判别器的输入为结构有限元模拟计算的“真实”全自由度振型数据φ′和生成器生成的振型数据φ，经由判别器网络输出判别结果为真或假；
步骤2.2、基于所建立的模型，判别器以尽可能准确判断输入数据是否来源于真实数据集为目标，而生成器以尽可能生成逼真的数据混淆判别器的判断为目标，通过动态的博弈过程不断提升生成器的生成能力；
步骤2.3、为了综合评价生成数据的物理真实性以及多样性，对生成器生成全自由度振型与有限元模拟“真实”全自由度振型提取特征，然后在特征空间计算FID(FréchetInception Distance)距离度量来量化数据生成质量；
步骤2.4、建立合适的低维向量z的维数选取方法，获得具有低维表征全自由度振型能力的生成器模型G，实现有限元模拟的高维全自由度振型大数据集向低维向量z的映射。其中，z的维数过低，可能学习不到结构全自由度振型某些关键特征；z的维数过高，则可能影响后续优化识别效果。为了使得低维向量z的维数尽量低，且保证生成结构全自由度振型数据的质量，需要对不同的低维向量z的维数进行测试。不断调整网络架构、训练超参数，基于FID指标数值增大趋势稳定时对应的低维向量z的最小维数作为选择的合适维数。
所述步骤三具体为：
针对深度学习模型的迁移学习方法主要有两大类：微调和特征提取器冻结。微调法是利用训练完毕的模型网络参数，针对目标任务再进行重新微调，提高迁移学习效果。特征提取器冻结法则是将网络中大部分的隐含层参数固定为训练完毕的模型网络中对应位置的参数值，其它层重新进行训练，最大限度地节省网络训练时间。针对具体所需的目标结构的模态特征学习任务，观察FID指标的变化趋势，测试两类方法进行选取。
所述步骤四具体为：
步骤4.1、利用观测的结构振动响应数据y′，建立模态识别的优化目标函数Lz。基于振动理论，分析结构振动响应数据与结构振型参数之间的力学关系。根据模态叠加原理，常见的服役荷载(环境激励)下，结构振动响应可近似表达为对应的各阶模态坐标与结构模态振型的乘积求和。这种关系意味着在频域内结构动力响应与结构振型之间的关系可由简单的线性映射表示，从而可以构件如下目标函数：
Lz＝||A·F[G(z)]-y′||2+λ·Lp(z)
其中，F是结构动力学关系，A是线性观测矩阵，Lp是选择的惩罚项，λ是对应超参数。该惩罚项的主要作用是防止低维向量z在优化过程中过度偏离其在训练时所选用的先验分布(例如：标准高斯分布对应二范数惩罚项)；
步骤4.2、将在生成器G隐含空间中随机采样的低维向量z作为初始值，代入目标函数Lz。依据反向传播理论，计算由目标函数误差引起的梯度，通过梯度下降方法更新低维向量z的值。不断迭代，直至迭代收敛得到低维向量最优解最终，经由振型生成器G投影得到作为结构全自由度模态振型识别的结果。
实施例1
本实施方式是将本发明应用于某简支梁桥，基于生成对抗网络的全自由度模态振型识别方法，针对简支梁结构训练生成对抗网络模型，在完备观测下识别全自由度模态振型，验证本发明方法的优化误差(不包含信息不全导致的误差)。图1给出了本发明所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法的示意图；图2给出了完备观测下本发明方法对应简支梁结构的前八阶振型识别的结果。
所述步骤一具体为：所使用的简支梁桥有限元模型的全自由度振型的自由度数目为81，隐含特征空间向量z的维度为10。
所述步骤二具体为：参照深度卷积生成对抗网络(Deep Convolution GenerativeAdversarial Networks，DCGAN)，构建生成器G以及判别器D进行训练。
所述步骤三具体为：利用Adam优化算法最小化目标函数Lz，迭代200次并挑选误差最小的一次作为模态振型的识别结果。
所述步骤四具体为：给定完备观测的响应数据，本发明方法对于该结构前8阶次振型的识别结果如图2所示。结果表明，通过10维的低维向量z代入到生成对抗网络的生成器振型与真实系统完备模型振型能较准确地对应，初步验证了生成对抗网络对结构系统振型的良好生成能力。因此，可通过优化10维的低维向量z来直接实现81维的全自由度振型的识别，可明显降低在不完备结构响应数据下振型识别的不适定性。
实施例2
本实施方式是将本发明应用于某桁架结构，利用本发明基于生成对抗网络的全自由度模态振型识别方法，针对桁架结构训练生成对抗网络模型，在稀疏观测下识别全自由度模态振型，验证本发明方法的实际效果。图3给出了本发明针对桁架结构训练全自由度模态振型生成器的生成数据示例。图4给出了稀疏观测下本发明方法对应桁架结构的基本模态识别的结果。
所述步骤一具体为：所使用的桁架有限元模型的全自由度振型的自由度数目为328，隐含特征空间向量z的维度为50。测点数量为竖向自由度数量的25％，并在响应数据中考虑水平为5％的测量噪声。
所述步骤二具体为：参照DCGAN模型，构建生成器G以及判别器D进行训练。
所述步骤三具体为：利用Adam优化算法最小化目标函数Lz，迭代200次并挑选误差最小的一次作为模态振型的识别结果。
所述步骤四具体为：本发明方法对于该结构振型的学习生成示例如图3所示，表明生成器成功捕获了振型物理特征。给定稀疏观测的响应数据，本发明方法对于该结构基本振型的识别结果如图4所示，表明本发明全自由度模态振型识别方法切实有效。
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法的步骤。
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM，DR RAM)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disc，SSD))等。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
以上对本发明所提出的基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法，其特征在于，所述方法包括以下步骤：
步骤一、对结构有限元模型的物理参数进行随机抽样，计算并建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度模态振型大数据集；
步骤二、构建生成对抗网络模型，并训练模型将考虑结构参数不确定性的全自由度振型φ'映射为低维向量z，获得具有低维表征全自由度振型能力的生成器G，实现对全自由度振型大数据集的结构动力学物理约束信息的提取；
步骤三、基于已训练的结构振型生成器，建立同类结构的迁移学习准则，针对具体情况采用合适的迁移学习方法，实现结构振型生成器G的快速训练；
步骤四、基于结构自由振动响应、以及获得的蕴含结构振型动力学物理约束并具有低维表征全自由度振型能力的生成对抗网络模型，利用低维向量z寻优过程中易收敛于真实解的特性，使用少量测点的结构响应实现全自由度模态振型的识别；
所述步骤一具体为：
步骤1.1、基于灵敏度分析，确定影响结构振型变化的敏感物理参数；
步骤1.2、对于这些物理参数，以物理模型的名义值为中心并设置一定的方差进行大量次数的高斯随机抽样，此外也对其他物理参数进行随机抽样；
步骤1.3、基于每一次抽样得到的物理参数，使用有限元模拟计算多阶全自由度模态振型，建立包含结构物理参数不确定性并蕴含结构动力学物理约束的全自由度振型大数据集。
2.根据权利要求1所述的方法，其特征在于，所述步骤二具体为：
步骤2.1、构建生成对抗网络模型，所构建的生成对抗网络模型由生成器G和判别器D两部分组成；
步骤2.2、基于所建立的模型，判别器以判断输入数据是否来源于真实数据集为目标，而生成器以生成逼真的数据混淆判别器的判断为目标，通过动态的博弈过程不断提升生成器的生成能力；
步骤2.3、对生成器生成全自由度振型与有限元模拟“真实”全自由度振型进行特征提取，然后在特征空间计算FID距离度量来量化数据生成质量；
步骤2.4、建立低维向量z的维数选取方法，获得具有低维表征全自由度振型能力的生成器模型G，实现有限元模拟高维全自由度振型大数据集向低维向量z的映射。
3.根据权利要求2所述的方法，其特征在于，生成器G和判别器D这两个部分的功能分别为：生成器的输入为从隐含空间中随机采样的低维向量z，这个向量经由生成器网络投影为“生成”全自由度振型数据φ＝G(z)；判别器的输入为结构有限元模拟计算的“真实”全自由度振型数据φ'和生成器生成的振型数据φ，经由判别器网络输出判别结果为真或假。
4.根据权利要求2所述的方法，其特征在于，基于FID指标数值增大趋势稳定时对应的低维向量z的最小维数作为选择的合适维数。
5.根据权利要求1所述的方法，其特征在于，在步骤三中，针对深度学习模型的迁移学习方法有两大类：微调和特征提取器冻结；微调法是利用训练完毕的模型网络参数，针对目标任务再进行重新微调，提高迁移学习效果；特征提取器冻结法则是将网络中大部分的隐含层参数固定为训练完毕的模型网络中对应位置的参数值，其它层重新进行训练，最大限度地节省网络训练时间；针对具体所需的目标结构的模态特征学习任务，观察FID指标的变化趋势，测试两类方法进行选取。
6.根据权利要求1所述的方法，其特征在于，所述步骤四具体为：
步骤4.1、利用观测的结构振动响应数据y'，建立模态识别的优化目标函数Lz；基于振动理论，分析结构振动响应数据与结构振型参数之间的力学关系；根据模态叠加原理，结构振动响应近似表达为对应的各阶模态坐标与结构模态振型的乘积求和；在频域内结构动力响应与结构振型之间的关系由线性映射表示；
步骤4.2、将在生成器G隐含空间中随机采样的低维向量z作为初始值，代入目标函数Lz；依据反向传播理论，计算由目标函数误差引起的梯度，通过梯度下降方法更新低维向量z的值，不断迭代，直至迭代收敛得到低维向量最优解最终，经由振型生成器G投影得到作为结构全自由度模态振型识别的结果。
7.根据权利要求6所述的方法，其特征在于，在步骤4.2中，目标函数具体为：
Lz＝‖A·F[G(Z)]-y′||2+λ·Lp(z)
其中，F是结构动力学关系，A是线性观测矩阵，Lp是选择的惩罚项，λ是对应超参数。
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。
CN202410950413.XA 2024-07-16 2024-07-16 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法 Active CN118839564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410950413.XA CN118839564B (zh) 2024-07-16 2024-07-16 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410950413.XA CN118839564B (zh) 2024-07-16 2024-07-16 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法

Publications (2)

Publication Number Publication Date
CN118839564A CN118839564A (zh) 2024-10-25
CN118839564B true CN118839564B (zh) 2025-03-21

Family

ID=93142304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410950413.XA Active CN118839564B (zh) 2024-07-16 2024-07-16 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法

Country Status (1)

Country Link
CN (1) CN118839564B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114491740A (zh) * 2021-12-31 2022-05-13 清华大学 物理与多模态数据驱动的建筑结构生成方法及设备
CN115952584A (zh) * 2023-02-06 2023-04-11 上海交通大学 基于数字孪生的薄壁钢结构力学试验与仿真方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3741981B1 (en) * 2019-05-21 2023-03-15 Rolls-Royce Deutschland Ltd & Co KG Mode-shaped components
CN110598282B (zh) * 2019-08-28 2023-05-23 广东工业大学 一种基于应变振型和深度学习的结构损伤识别方法
CN110782041B (zh) * 2019-10-18 2022-08-02 哈尔滨工业大学 一种基于机器学习的结构模态参数识别方法
US20230332978A1 (en) * 2022-04-18 2023-10-19 University Of Central Florida Research Foundation, Inc. Generative adversarial networks for structural damage diagnostics
CN117556670A (zh) * 2023-11-24 2024-02-13 中铁五局集团建筑工程有限责任公司 基于贝叶斯理论的装配式结构损伤识别方法
CN117973208A (zh) * 2024-02-05 2024-05-03 哈尔滨工业大学 基于力学增强机器学习的结构模态参数识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114491740A (zh) * 2021-12-31 2022-05-13 清华大学 物理与多模态数据驱动的建筑结构生成方法及设备
CN115952584A (zh) * 2023-02-06 2023-04-11 上海交通大学 基于数字孪生的薄壁钢结构力学试验与仿真方法

Also Published As

Publication number Publication date
CN118839564A (zh) 2024-10-25

Similar Documents

Publication Publication Date Title
Zhao et al. A novel artificial bee colony algorithm for structural damage detection
Yao et al. Autoregressive statistical pattern recognition algorithms for damage detection in civil structures
Mostafaei et al. A new approach of ensemble learning in fully automated identification of structural modal parameters of concrete gravity dams: A case study of the Koyna dam
CN114357594A (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
Yang et al. Lost data reconstruction for structural health monitoring by parallel mixed Transformer-CNN network
Zhang et al. Time-frequency fusion features-based incremental network for smartphone measured structural seismic response classification
Li et al. Structural damage quantification using long short-term memory (LSTM) auto-encoder and impulse response functions
CN111859250B (zh) 模态参数准确性评估方法、系统及存储介质
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
CN111177966B (zh) 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法
CN117435901A (zh) 一种工业互联网数据获取方法、系统、终端及储存介质
CN115931727B (zh) 一种叶绿素a遥感反演方法、装置、系统以及存储介质
CN118839564B (zh) 基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法
CN116361731B (zh) 储油罐罐壁腐蚀检测方法、装置、设备及可读存储介质
Chencho et al. Structural damage quantification using ensemble‐based extremely randomised trees and impulse response functions
CN119249116A (zh) 基于环境条件的光纤性能评估方法、系统及存储介质
CN117743859A (zh) 工业分析模型的训练方法、使用方法及介质
Chen et al. Structural dynamic equation informed LSTM to predict structural dynamic responses under wind load
CN118655636A (zh) 适用于地球物理电磁法的电磁场互相预测方法及设备
CN118917166A (zh) 基于多分支横向扩增网络的持续剩余使用寿命预测方法
CN114118249B (zh) 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法
CN116842683A (zh) 无人机集群贮存可用度模型不确定性评估方法
JP7163977B2 (ja) 推定装置、学習装置、それらの方法、およびプログラム
CN115878986A (zh) 一种变工况轴承的退化趋势评估方法
Qian et al. Improved physics-guided PINN design and its application in bearing acceleration response modeling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant