本發(fā)明涉及損傷識別，特別涉及一種智能化結構損傷檢測方法及系統(tǒng)。

背景技術：

1、在現(xiàn)代工程管理和安全監(jiān)控領域，及時準確地識別和評估結構損傷是至關重要的。隨著技術的發(fā)展，尤其是物聯(lián)網和人工智能技術的進步，結構健康監(jiān)測系統(tǒng)逐漸朝向智能化、自動化發(fā)展。然而，現(xiàn)有的損傷識別技術面臨著多方面的挑戰(zhàn)，包括如何有效地處理和融合來自不同傳感器的數(shù)據、如何適應多變的環(huán)境條件以及如何快速準確地識別和評估新出現(xiàn)的損傷類型等問題。這些挑戰(zhàn)促使研究人員和工程師尋求更加高效、智能的解決方案，以提高結構健康監(jiān)測的準確性和效率，保障人類生活和財產的安全。

2、現(xiàn)有專利cn202311581511.2，公開了一種基于貝葉斯理論的裝配式結構損傷識別方法，包括：對裝配式結構進行地震動激勵測試，通過傳感器采集加速度響應數(shù)據；基于模態(tài)力信息構建所述加速度響應數(shù)據的對數(shù)似然函數(shù)；通過em算法對所述對數(shù)似然函數(shù)進行優(yōu)化求得實測模態(tài)參數(shù)；根據所述實測模態(tài)參數(shù)和有限元模型參數(shù)差建立目標函數(shù)，所述有限元模型為裝配式結構設計時的理論結構模型；通過mcmc算法不斷迭代得到與實測模態(tài)參數(shù)最為接近的修正后的有限元模型；通過模擬移動荷載對修正后的有限元模型進行加載模擬試驗，定位損傷位置和損傷大小。該專利提高了計算效率，節(jié)省了計算時間，可以實現(xiàn)裝配式結構的損傷預警和實時監(jiān)測的可視化。

3、但是，該專利在實施過程中存在如下技術問題：現(xiàn)有技術難以從多維度全面捕捉損傷特征，導致識別精度和可靠性不足，忽略了環(huán)境條件對損傷識別效果的影響，缺乏有效的環(huán)境自適應機制，使得在不同環(huán)境條件下的識別效果波動較大；現(xiàn)有技術難以適應新的損傷類型或新的數(shù)據分布，缺乏持續(xù)學習和優(yōu)化的能力，不能對損傷的程度、范圍和具體位置等進行全面評估。

4、因此，如何提供一種結構損傷檢測技術，實現(xiàn)全面的結構識別和/或評估，是目前亟待解決的問題。

技術實現(xiàn)思路

1、本發(fā)明實施例提供了一種智能化結構損傷檢測方法及系統(tǒng)，以解決現(xiàn)有技術中的上述技術問題。

2、為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵／重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現(xiàn)一些概念，以此作為后面的詳細說明的序言。

3、根據本發(fā)明實施例的第一方面，提供了一種智能化結構損傷檢測方法。

4、在一個實施例中，所述智能化結構損傷檢測方法，包括：

5、獲取多個結構傳感器監(jiān)測數(shù)據，并對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理，得到監(jiān)測融合數(shù)據；

6、基于監(jiān)測結構所處環(huán)境，對預先設定的環(huán)境條件指標進行自適應調整，得到環(huán)境特征提取參數(shù)；

7、根據所述監(jiān)測融合數(shù)據和所述環(huán)境特征提取參數(shù)，利用預先訓練的多階段深度學習模型進行結構損傷識別，得到結構損傷識別結果。

8、在一個實施例中，結構傳感器包括：光譜成像傳感器、紅外熱像儀和振動傳感器。

9、在一個實施例中，所述的智能化結構損傷檢測方法，還包括：在對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理之前，對結構傳感器監(jiān)測數(shù)據進行預處理；其中，所述預處理包括：去噪聲處理、歸一化處理和/或數(shù)據格式及尺寸標準化處理。

10、在一個實施例中，在對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理時的數(shù)據融合公式為：式中，表示監(jiān)測融合數(shù)據，是多維數(shù)據融合函數(shù)，是根據每種結構傳感器監(jiān)測數(shù)據重要性預先設定的權重參數(shù)，是對第 i種結構傳感器數(shù)據應用的預處理函數(shù)；為結構傳感器監(jiān)測數(shù)據。

11、在一個實施例中，所述環(huán)境條件指標的計算公式為：式中，表示環(huán)境條件指標，代表環(huán)境光照強度，表示背景噪聲級別，是傳感器溫度，和用于調整光照強度和背景噪聲級別以及溫度對環(huán)境條件指標的貢獻，是光照強度的指數(shù)影響系數(shù)；

12、所述環(huán)境條件指標自適應調整計算公式為：式中，表示基于環(huán)境條件指標動態(tài)調整的環(huán)境特征提取參數(shù)，、、、分別是根據實驗數(shù)據設定的參數(shù)，調整特征提取過程中對環(huán)境條件變化的響應靈敏度。

13、在一個實施例中，所述多階段深度學習模型具備三個階段，分別為環(huán)境感知調整階段、深度卷積神經網絡階段以及殘差網絡融合階段；其中，

14、所述環(huán)境感知調整階段利用環(huán)境特征提取參數(shù)對監(jiān)測融合數(shù)據進行增強處理，計算公式為：式中，表示環(huán)境感知調整階段的輸出，即增強后的數(shù)據；表示歸一化因子，用于確保函數(shù)內部參數(shù)的范圍；表示監(jiān)測融合數(shù)據；表示環(huán)境條件指標；e表示自然底數(shù)；表示圓周率；

15、所述深度卷積神經網絡階段包含多個卷積層，每個卷積層使用一組濾波器來提取所述環(huán)境感知調整階段輸出的特征，所述深度卷積神經網絡階段的計算公式為：

16、

17、式中，表示最后一個卷積層的輸出特征；表示所述深度卷積神經網絡階段的輸出；表示所述環(huán)境感知調整階段輸出的特征；表示濾波器；表示卷積操作；表示偏置；表示縮放參數(shù)；表示正則化系數(shù)；表示線性整流函數(shù)；

18、所述殘差網絡融合階段采用殘差網絡，將所述環(huán)境感知調整階段和所述深度卷積神經網絡階段的輸出進行融合，并通過卷積層、激活層、池化層和全連接層進行深度學習處理，通過混合激活函數(shù)和稀疏性處理得到最終的損傷識別結果；所述殘差網絡融合階段的計算公式為：式中，?表示所述殘差網絡融合階段的輸出，即損傷識別結果；表示softmax激活函數(shù)；表示拼接符號；表示調節(jié)深度卷積神經網絡輸出與損傷識別結果之間的線性關系強度的參數(shù)；表示調節(jié)深度卷積神經網絡輸出中稀疏性處理部分影響力度的參數(shù)。

19、在一個實施例中，所述的智能化結構損傷檢測方法，還包括：根據所述結構損傷識別結果，利用增量式遷移學習網絡，對結構損傷進行評估，得到結構損傷評估結果。

20、在一個實施例中，所述增量式遷移學習網絡包括：增量式學習預處理層、自適應遷移學習層、增量式學習更新層和全連接層；其中，

21、所述增量式學習預處理層用于對所述結構損傷識別結果非線性變換，調整數(shù)據的尺度和分布，所述非線性變換的公式為：

22、式中，表示預處理后的數(shù)據，即增量式學習預處理層的輸出，表示激活函數(shù)，增加處理后數(shù)據的非線性度；至表示調節(jié)參數(shù)，通過實驗優(yōu)化，用于控制數(shù)據變換的具體行為和強度；表示所述殘差網絡融合階段的輸出；e表示自然底數(shù)；

23、所述自適應遷移學習層用于利用預先設定的自適應權重參數(shù)對增量式學習預處理層的輸出進行遷移學習優(yōu)化，所述移學習優(yōu)化的公式為：式中，表示自適應遷移學習層的輸出，代表了經過遷移學習調整和優(yōu)化后的數(shù)據特征，所述數(shù)據特征是從增量式學習預處理層的輸出中提煉和優(yōu)化得到的；表示整個遷移學習過程的優(yōu)化函數(shù)；表示第n層的調節(jié)系數(shù)；n表示遷移學習層中的層次索引，表示第n層的處理函數(shù)，對增量式學習預處理層的輸出進行變換處理；表示自適應權重參數(shù)；表示hadamard乘積，用于特征向量的逐元素加權；

24、所述增量式學習更新層用于對所述自適應遷移學習層的輸出進行更新，更新公式為：

25、式中，表示更新后的增量式遷移學習網絡模型參數(shù)，表示更新前的模型參數(shù)；是學習率，控制更新步長的大小；表示損失函數(shù)關于模型參數(shù)的梯度，直接指導模型參數(shù)的更新方向；是目標輸出；是引入的正弦調節(jié)因子；

26、所述全連接層用于根據更新后的增量式遷移學習網絡模型參數(shù)，生成結構損傷評估結果；所述全連接層計算公式為：

27、式中，表示對損傷程度的評估輸出，是激活函數(shù)；和分別是全連接層的權重和偏置；表示將更新后的增量式遷移學習網絡模型參數(shù)進行增量式遷移學習網絡的前向傳播，得到的更新后的數(shù)據特征。

28、根據本發(fā)明實施例的第二方面，提供了一種智能化結構損傷檢測系統(tǒng)。

29、在一個實施例中，所述智能化結構損傷檢測系統(tǒng)，包括：

30、數(shù)據采集處理模塊，用于獲取多個結構傳感器監(jiān)測數(shù)據，并對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理，得到監(jiān)測融合數(shù)據；

31、環(huán)境特征提取模塊，用于基于監(jiān)測結構所處環(huán)境，對預先設定的環(huán)境條件指標進行自適應調整，得到環(huán)境特征提取參數(shù)；

32、結構損傷識別模塊，用于根據所述監(jiān)測融合數(shù)據和所述環(huán)境特征提取參數(shù)，利用預先訓練的多階段深度學習模型進行結構損傷識別，得到結構損傷識別結果。

33、在一個實施例中，結構傳感器包括：光譜成像傳感器、紅外熱像儀和振動傳感器。

34、在一個實施例中，所述數(shù)據采集處理模塊在對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理之前，對結構傳感器監(jiān)測數(shù)據進行預處理；其中，所述預處理包括：去噪聲處理、歸一化處理和/或數(shù)據格式及尺寸標準化處理。

35、在一個實施例中，所述數(shù)據采集處理模塊在對多個結構傳感器監(jiān)測數(shù)據進行多維融合處理時的數(shù)據融合公式為：式中，表示監(jiān)測融合數(shù)據，是多維數(shù)據融合函數(shù)，是根據每種結構傳感器監(jiān)測數(shù)據重要性預先設定的權重參數(shù)，是對第種結構傳感器數(shù)據應用的預處理函數(shù)；為結構傳感器監(jiān)測數(shù)據。

36、在一個實施例中，所述環(huán)境條件指標的計算公式為：式中，表示環(huán)境條件指標，代表環(huán)境光照強度，表示背景噪聲級別，是傳感器溫度，和用于調整光照強度和背景噪聲級別以及溫度對環(huán)境條件指標的貢獻，是光照強度的指數(shù)影響系數(shù)；

37、所述環(huán)境條件指標自適應調整計算公式為：式中，表示基于環(huán)境條件指標動態(tài)調整的環(huán)境特征提取參數(shù)，、、、分別是根據實驗數(shù)據設定的參數(shù)，調整特征提取過程中對環(huán)境條件變化的響應靈敏度。

38、在一個實施例中，所述多階段深度學習模型具備三個階段，分別為環(huán)境感知調整階段、深度卷積神經網絡階段以及殘差網絡融合階段；其中，

39、所述環(huán)境感知調整階段利用環(huán)境特征提取參數(shù)對監(jiān)測融合數(shù)據進行增強處理，計算公式為：式中，表示環(huán)境感知調整階段的輸出，即增強后的數(shù)據；表示歸一化因子，用于確保函數(shù)內部參數(shù)的范圍；表示監(jiān)測融合數(shù)據；表示環(huán)境條件指標；e表示自然底數(shù)；表示圓周率；

40、所述深度卷積神經網絡階段包含多個卷積層，每個卷積層使用一組濾波器來提取所述環(huán)境感知調整階段輸出的特征，所述深度卷積神經網絡階段的計算公式為：

41、式中，表示最后一個卷積層的輸出特征；表示所述深度卷積神經網絡階段的輸出；表示所述環(huán)境感知調整階段輸出的特征；表示濾波器；表示卷積操作；表示偏置；表示縮放參數(shù)；表示正則化系數(shù)；表示線性整流函數(shù)；

42、所述殘差網絡融合階段采用殘差網絡，將所述環(huán)境感知調整階段和所述深度卷積神經網絡階段的輸出進行融合，并通過卷積層、激活層、池化層和全連接層進行深度學習處理，通過混合激活函數(shù)和稀疏性處理得到最終的損傷識別結果；所述殘差網絡融合階段的計算公式為：式中，?表示所述殘差網絡融合階段的輸出，即損傷識別結果；表示softmax激活函數(shù)；表示拼接符號；表示調節(jié)深度卷積神經網絡輸出與損傷識別結果之間的線性關系強度的參數(shù)；表示調節(jié)深度卷積神經網絡輸出中稀疏性處理部分影響力度的參數(shù)。

43、在一個實施例中，所述的智能化結構損傷檢測系統(tǒng)，還包括：結構損傷評估模塊，用于根據所述結構損傷識別結果，利用增量式遷移學習網絡，對結構損傷進行評估，得到結構損傷評估結果。

44、在一個實施例中，所述增量式遷移學習網絡包括：增量式學習預處理層、自適應遷移學習層、增量式學習更新層和全連接層；其中，

45、所述增量式學習預處理層用于對所述結構損傷識別結果非線性變換，調整數(shù)據的尺度和分布，所述非線性變換的公式為：

46、式中，表示預處理后的數(shù)據，即增量式學習預處理層的輸出，表示激活函數(shù)，增加處理后數(shù)據的非線性度；至表示調節(jié)參數(shù)，通過實驗優(yōu)化，用于控制數(shù)據變換的具體行為和強度；表示所述殘差網絡融合階段的輸出；e表示自然底數(shù)；

47、所述自適應遷移學習層用于利用預先設定的自適應權重參數(shù)對增量式學習預處理層的輸出進行遷移學習優(yōu)化，所述移學習優(yōu)化的公式為：式中，表示自適應遷移學習層的輸出，代表了經過遷移學習調整和優(yōu)化后的數(shù)據特征，所述數(shù)據特征是從增量式學習預處理層的輸出中提煉和優(yōu)化得到的；表示整個遷移學習過程的優(yōu)化函數(shù)；表示第n層的調節(jié)系數(shù)；n表示遷移學習層中的層次索引，表示第n層的處理函數(shù)，對增量式學習預處理層的輸出進行變換處理；表示自適應權重參數(shù)；表示hadamard乘積，用于特征向量的逐元素加權；

48、所述增量式學習更新層用于對所述自適應遷移學習層的輸出進行更新，更新公式為：式中，表示更新后的增量式遷移學習網絡模型參數(shù)，表示更新前的模型參數(shù)；是學習率，控制更新步長的大?。槐硎緭p失函數(shù)關于模型參數(shù)的梯度，直接指導模型參數(shù)的更新方向；是目標輸出；是引入的正弦調節(jié)因子；

49、所述全連接層用于根據更新后的增量式遷移學習網絡模型參數(shù)，生成結構損傷評估結果；所述全連接層計算公式為：式中，表示對損傷程度的評估輸出，是激活函數(shù)；和分別是全連接層的權重和偏置；表示將更新后的增量式遷移學習網絡模型參數(shù)進行增量式遷移學習網絡的前向傳播，得到的更新后的數(shù)據特征。

50、本發(fā)明實施例提供的技術方案可以包括以下有益效果：

51、1、通過結合多種傳感器系統(tǒng)（如光譜成像傳感器、紅外熱像儀和振動傳感器等）收集的數(shù)據，本發(fā)明能夠從不同角度和維度捕獲結構損傷的特征信息，大大提高了損傷識別的準確性和可靠性；通過引入環(huán)境條件指標并根據這一指標自適應調整特征提取參數(shù)，本發(fā)明能夠有效應對環(huán)境條件的多變性，如光照強度、背景噪聲級別和傳感器溫度等，確保損傷識別過程在不同環(huán)境條件下均能保持高效和準確；

52、2、通過采用增量式遷移學習網絡，本發(fā)明不僅能夠快速適應新類型的損傷識別，而且還能夠不斷優(yōu)化和更新已有的識別模型，提高對已知損傷類型的識別準確度，使得模型具備持續(xù)學習和進化的能力，適應性更強；通過將深度學習模型的輸出通過全連接層進一步處理，本發(fā)明能夠對損傷的嚴重性、范圍和位置等多個維度進行綜合評估，為結構的維修和維護提供了科學依據；同時，通過預設的閾值劃分不同的損傷級別，使得評估結果更加直觀和易于理解。

53、3、本發(fā)明能夠有效解決了現(xiàn)有技術存在的難以從多維度全面捕捉損傷特征，導致識別精度和可靠性不足以及忽略了環(huán)境條件對損傷識別效果的影響，缺乏有效的環(huán)境自適應機制，使得在不同環(huán)境條件下的識別效果波動較大和難以適應新的損傷類型或新的數(shù)據分布，缺乏持續(xù)學習和優(yōu)化的能力，不能對損傷的程度、范圍和具體位置進行全面評估的問題。本發(fā)明能夠通過多源數(shù)據融合、環(huán)境自適應處理、增量式遷移學習和損傷程度全面評估，顯著提高了結構損傷識別的準確性和效率。

54、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。