本發(fā)明涉及一種傳感器技術，具體是一種基于三級數據融合的大型結構損傷識別方法。

背景技術：

交通運輸樞紐的橋梁、城市象征的超高層建筑、市民生活休閑娛樂的大型體育中心、藝術中心等結構的健康安全與人民群眾密切相關。然而由于這些結構體積龐大、結構復雜、使用年限長、占地面積廣，如果不能有效地對其實施監(jiān)測保護和健康診斷，將會產生許多不確定的因素。近些年來，這些土木結構在服役期間受到環(huán)境或人為因素的影響，破壞坍塌事故屢有發(fā)生，造成了嚴重的社會影響。

雖然世界各國很早就開始關注結構的損傷情況，但由于傳統(tǒng)的損傷識別技術落后，很難全面的對結構的損傷狀況進行識別。21世紀初，全球范圍內的在役工程結構進入了修復期。由于重新建造橋梁、大壩等大型土木結構需要花費非常龐大的財政資金，因此，全世界各國都將舊的土木結構視為寶貴的財富，希望通過對其全方位的診斷評估并進行針對性的修復加固以延長其使用壽命，這將節(jié)約大量的人力物力。無線傳感器網絡技術具有十分良好的前景與重要的研究意義，對大型結構布設大量的無線傳感器節(jié)點，節(jié)點之間通過zigbee通訊協議進行數據傳輸，這樣既整潔美觀又節(jié)約了電纜的費用，但同時我們也該看到，大量傳感器的布設同樣也帶來了另一個問題，如何從大量冗余數據中準確實現對結構損傷的識別，這就需要另一項技術也是本文的研究重點一數據融合技術。

技術實現要素：

本發(fā)明的目的在于提供一種基于三級數據融合的大型結構損傷識別方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發(fā)明提供如下技術方案：

一種基于三級數據融合的大型結構損傷識別方法，包含以下步驟:

a、采集待檢測大型結構的位移和加速度信息并進行數據處理；

b、采用三級數據融合算法對步驟a中采集的信息進行融合；

c、對步驟b得出的結果進行識別，通過數值仿真得出檢測結果。

作為本發(fā)明的進一步技術方案：所述三級數據融合算法包括數據級融合、特征級融合和決策級融合。

作為本發(fā)明的進一步技術方案：所述數據級融合采用一致性融合算法，首先將單個傳感器采集得到的若干組數據剔除可疑數據，再用一致性融合算法進行融合處理，得到更為準確的數據。

作為本發(fā)明的進一步技術方案：所述特征級融合采用acga-bp神經網絡作為模式識別器，分別以頻率和位移作為輸入參數，實現結構的初步識別。

作為本發(fā)明的進一步技術方案：所述決策級融合采用d-s證據理論，分析討論了采用d-s證據理論對兩種初步識別結果進行決策級融合相比較于將頻率和位移混合作為神經網絡輸入參數進行損傷識別的優(yōu)越性。

作為本發(fā)明的進一步技術方案：所述步驟a包括以下步驟：a、信息獲取，根據研究對象的實際情況采用各種不同的傳感器，并將傳感器獲取的信號經過a/d轉化后傳入計算機系統(tǒng)，b、數據預處理，使用濾波或野點剔除方法進行數據的預處理，c、特征提取，將傳感器采集的信號進行特征提取，提取的特征是有明確物理意義的物理量或沒有任何物理意義的統(tǒng)計量及其變形。

與現有技術相比，本發(fā)明的有益效果是：本發(fā)明設計一種三級融合策略共同完成對結構的損傷識別，首先使用一致性融合算法對單個傳感器采集的信息進行數據級融合，提高數據采集的精度，降低節(jié)點的數據傳輸量;再使用acga-bp神經網絡分別以靜態(tài)測量數據的位移和動態(tài)測量數據的固有頻率作為網絡的輸入參數進行初步損傷識別;最后利用d-s證據理論對基于靜態(tài)測量數據的識別結果和基于動態(tài)測量數據的識別結果進行再次融合，使得最終識別結果更加準確。

附圖說明

圖1為融合策略結構圖。

圖2為數據融合結構圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1-2，一種基于三級數據融合的大型結構損傷識別方法，包含以下步驟:

a、采集待檢測大型結構的位移和加速度信息并進行數據處理；

b、采用三級數據融合算法對步驟a中采集的信息進行融合；

c、對步驟b得出的結果進行識別，通過數值仿真得出檢測結果。

三級數據融合算法包括數據級融合、特征級融合和決策級融合。

數據級融合采用一致性融合算法，首先將單個傳感器采集得到的若干組數據剔除可疑數據，再用一致性融合算法進行融合處理，得到更為準確的數據。

特征級融合采用acga-bp神經網絡作為模式識別器，分別以頻率和位移作為輸入參數，實現結構的初步識別。

決策級融合采用d-s證據理論，分析討論了采用d-s證據理論對兩種初步識別結果進行決策級融合相比較于將頻率和位移混合作為神經網絡輸入參數進行損傷識別的優(yōu)越性。

步驟a包括以下步驟：a、信息獲取，根據研究對象的實際情況采用各種不同的傳感器，并將傳感器獲取的信號經過a/d轉化后傳入計算機系統(tǒng)，b、數據預處理，使用濾波或野點剔除方法進行數據的預處理，c、特征提取，將傳感器采集的信號進行特征提取，提取的特征是有明確物理意義的物理量或沒有任何物理意義的統(tǒng)計量及其變形。

本發(fā)明的工作原理是：目前大型結構損傷識別面臨著以下幾個困難:(1)對于結構某種損傷狀況，單一損傷識別手段很難準確識別，而采用多種不同的識別方法往往得到的結果不相一致，因此難以從多種結果中得到準確的識別信息。(2)對于大型結構的監(jiān)測系統(tǒng)往往獲取多種不同的特征信息，利用不同的參數進行損傷識別得到的結果也不一致。為了解決以上問題，本文依據數據融合理論設計了一種三級融合策略。在數據級采用一致性融合的方法，降低偶然因素造成的誤差;在特征級采用acga-bp神經網絡進行融合;在決策級采用d-s證據理論進行最終融合。為了提高結果的準確性，本文采用靜態(tài)測量數據與動態(tài)測量數據相結合的方法共同作為結構損傷的判斷依據，融合策略結構圖如圖1所示。

首先由傳感器采集各項數據信息，在對單個傳感器采集得到一組數據進行數據融合前，需要先剔除可疑數據，而如何確定數據是否滿足要求，需要設定一個閡值，當數據大于這個閡值時就可以認為這個數據為可疑數據，本文選擇格魯布斯準則判斷方法來區(qū)分可疑數據。

由于傳感器采集得到數據容易受環(huán)境噪聲以及偶然因素的影響，導致測量數據不準確，因此將單個傳感器采集得到的同類信息先進行可疑數據剔除再采用一致性融合算法進行數據級融合，這種數據級融合可以有效地提高傳感器采集得到數據的準確性，并且減少了終端節(jié)點的數據傳輸量，降低了節(jié)點功耗。

特征級融合選擇acga-bp神經網絡來完成，bp神經網絡具有良好的識別精度，但其收斂速度慢，容易陷入局部最優(yōu)值。因此這里采用改進的自適應協同進化遺傳算法對神經網絡的權值和閡值進行全局搜索。從而提高了網絡的精度和訓練的時間。分別以基于動態(tài)測量數據的固有頻率和基于靜態(tài)測量數據的位移作為網絡的輸入參數，得到對研究對象的初步損傷識別結果。

利用acga-bp網絡得到的初步損傷識別結果在識別精度上仍然無法做到高度準確，無論是基于靜態(tài)測量數據的識別方法還是基于動態(tài)測量數據的識別方法都有自己的局限性，當識別參數存在噪聲時，就會出現不同程度的誤判，而本文所采用的d-s證據理論作為決策級融合方案可以有效地降低誤判發(fā)生的可能性，從而大大增加了最終識別結果的準確性。

bp神經網絡的訓練是以梯度降低的方法修正權值和閡值，這樣容易陷入局部最優(yōu)，影響算法的整體性能;伴隨著bp神經網絡的廣泛使用，傳統(tǒng)的運用bp網絡解決問題的弊端也在顯現，針對bp網絡的缺點，很多學者提出了各種改進策略，如自適應學習速率法、共扼梯度法等等，這些方法一定程度上改善了bp神經網絡的性能，但仍然無法從根本上解決bp網絡權值和閡值訓練問題。而遺傳算法具有較強的全局搜索能力，但其局部搜索能力不足。所以采用遺傳算法對bp網絡的權值和閡值進行求解，兩種算法相結合，從而使得整個網絡性能更加優(yōu)越。

利用遺傳算法對bp神經網絡進行優(yōu)化主要分為三個部分:首先確定神經網絡的結構，進而確定遺傳算法個體信息。其次利用自適應協同進化遺傳算法優(yōu)化bp網絡的權值和閡值，個體的適應度值由適應度函數計算得到，遺傳算法通過遺傳操作找到最優(yōu)個體。最后，將最優(yōu)個體中的權值和閡值信息作為網絡的初始值。