本發(fā)明涉及結(jié)構(gòu)健康監(jiān)測(cè)，尤其是涉及一種基于非對(duì)稱多任務(wù)學(xué)習(xí)的結(jié)構(gòu)損傷檢測(cè)系統(tǒng)。

背景技術(shù)：

1、結(jié)構(gòu)健康監(jiān)測(cè)(structural?health?monitoring，shm)是指通過(guò)安裝在結(jié)構(gòu)上的傳感器和數(shù)據(jù)采集系統(tǒng)，實(shí)時(shí)監(jiān)測(cè)結(jié)構(gòu)的工作狀態(tài)和健康狀況，識(shí)別結(jié)構(gòu)的損傷及其發(fā)展趨勢(shì)，從而提高結(jié)構(gòu)的安全性、可靠性和使用壽命。shm技術(shù)廣泛應(yīng)用于土木工程、航空航天、機(jī)械工程、海洋工程等領(lǐng)域，是現(xiàn)代工程結(jié)構(gòu)管理和維護(hù)的重要手段。隨著現(xiàn)代工程結(jié)構(gòu)的規(guī)模和復(fù)雜性不斷增加，結(jié)構(gòu)健康檢測(cè)變得尤為重要。傳統(tǒng)的結(jié)構(gòu)維護(hù)和檢查方法，如目視檢查、定期維護(hù)和局部無(wú)損檢測(cè)，存在檢測(cè)頻率低、覆蓋面不足和無(wú)法實(shí)時(shí)監(jiān)測(cè)的問(wèn)題。shm系統(tǒng)通過(guò)連續(xù)的在線監(jiān)測(cè)，可以及時(shí)發(fā)現(xiàn)結(jié)構(gòu)的早期損傷，避免因損傷累積導(dǎo)致的災(zāi)難性后果。此外，shm還能夠提供詳細(xì)的結(jié)構(gòu)響應(yīng)數(shù)據(jù)，為結(jié)構(gòu)的評(píng)估和優(yōu)化設(shè)計(jì)提供科學(xué)依據(jù)。結(jié)構(gòu)健康檢測(cè)的實(shí)現(xiàn)依賴于傳感器技術(shù)、數(shù)據(jù)采集與傳輸技術(shù)、信號(hào)處理與數(shù)據(jù)分析技術(shù)等多個(gè)方面。常用的傳感器類(lèi)型包括應(yīng)變傳感器、加速度傳感器、振動(dòng)傳感器、光纖傳感器、超聲傳感器等。這些傳感器能夠準(zhǔn)確捕捉結(jié)構(gòu)的動(dòng)態(tài)響應(yīng)和環(huán)境變化。數(shù)據(jù)采集與傳輸技術(shù)則保證了傳感器數(shù)據(jù)的實(shí)時(shí)收集和傳輸，通過(guò)有線或無(wú)線網(wǎng)絡(luò)，將數(shù)據(jù)傳輸?shù)街醒胩幚韱卧?。信?hào)處理與數(shù)據(jù)分析技術(shù)則通過(guò)對(duì)采集到的數(shù)據(jù)進(jìn)行處理和分析，識(shí)別出結(jié)構(gòu)中的異常和損傷，預(yù)測(cè)結(jié)構(gòu)的健康狀態(tài)。

2、多任務(wù)學(xué)習(xí)(multi-task?learning，mtl)是一種廣泛使用的機(jī)器學(xué)習(xí)方法，通過(guò)同時(shí)學(xué)習(xí)多個(gè)相關(guān)任務(wù)，可以提高模型的泛化能力和數(shù)據(jù)利用效率。在shm領(lǐng)域，目前已有一些使用多任務(wù)學(xué)習(xí)進(jìn)行結(jié)構(gòu)損傷識(shí)別的應(yīng)用。這些方法旨在利用多任務(wù)學(xué)習(xí)的功能，共享不同任務(wù)的特征信息，提高各個(gè)任務(wù)的檢測(cè)精度和效率。盡管多任務(wù)學(xué)習(xí)在提高模型性能和數(shù)據(jù)利用率方面具有顯著優(yōu)勢(shì)，但在實(shí)際應(yīng)用中，多種任務(wù)如何組合、共享哪些信息才能最大化的發(fā)揮多任務(wù)學(xué)習(xí)的優(yōu)勢(shì)等仍沒(méi)有很好地解決方案。在結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域，如何確保多任務(wù)學(xué)習(xí)模型的有效性和穩(wěn)定性，提高shm系統(tǒng)在復(fù)雜環(huán)境下的可靠性，尚需進(jìn)行深入的研究，開(kāi)發(fā)新的模型和系統(tǒng)。

3、在結(jié)構(gòu)損傷檢測(cè)中，除了檢測(cè)損傷位置，有時(shí)為了更加精確的確定損傷情況，還需要檢測(cè)損傷的程度/大小。多種損傷位置和損傷程度的檢測(cè)構(gòu)成一種多任務(wù)學(xué)習(xí)問(wèn)題。盡管多任務(wù)學(xué)習(xí)在提高模型性能和數(shù)據(jù)利用率方面具有顯著優(yōu)勢(shì)，但在實(shí)際應(yīng)用中，存在不同任務(wù)之間的相關(guān)性較低，甚至負(fù)相關(guān)，導(dǎo)致檢測(cè)模型性能下降，這種現(xiàn)象被稱為多任務(wù)負(fù)遷移現(xiàn)象(negative?transfer)。解決多任務(wù)負(fù)遷移現(xiàn)象對(duì)于確保多任務(wù)學(xué)習(xí)模型的有效性和穩(wěn)定性具有重要意義。提高shm系統(tǒng)在復(fù)雜環(huán)境下的可靠性，確保結(jié)構(gòu)健康監(jiān)測(cè)的準(zhǔn)確性和及時(shí)性，從而避免潛在結(jié)構(gòu)故障和安全隱患。

4、在一些實(shí)際損傷檢測(cè)問(wèn)題中，不同損傷大小引起的振動(dòng)響應(yīng)的變化相比于不同損傷位置引起的振動(dòng)響應(yīng)變化微弱很多，并且發(fā)現(xiàn)靠近損傷位置的傳感器收集到的振動(dòng)響應(yīng)振幅更大，細(xì)節(jié)更豐富。這就需要找到更高效、更精確的檢測(cè)方法，以應(yīng)對(duì)這些挑戰(zhàn)，從而更好地保障各類(lèi)結(jié)構(gòu)的安全性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)存在的上述技術(shù)問(wèn)題，提供能夠有效地從振動(dòng)響應(yīng)數(shù)據(jù)中提取損傷的位置和大小信息，從而提高損傷檢測(cè)準(zhǔn)確性的一種基于非對(duì)稱多任務(wù)學(xué)習(xí)的結(jié)構(gòu)損傷檢測(cè)系統(tǒng)。即非對(duì)稱多任務(wù)結(jié)構(gòu)損傷識(shí)別模型，在多任務(wù)學(xué)習(xí)框架中，將損傷位置和大小的識(shí)別視為兩個(gè)相關(guān)的任務(wù)，發(fā)揮多任務(wù)學(xué)習(xí)的優(yōu)勢(shì)，同時(shí)提升兩個(gè)任務(wù)的性能。有效減輕多任務(wù)學(xué)習(xí)中存在的負(fù)遷移現(xiàn)象的影響，提升損傷位置和大小的識(shí)別性能。

2、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供以下技術(shù)方案：

3、本發(fā)明提供基于非對(duì)稱多任務(wù)學(xué)習(xí)的結(jié)構(gòu)損傷檢測(cè)系統(tǒng)，基于非對(duì)稱多任務(wù)學(xué)習(xí)框架，用于通過(guò)集成多個(gè)子網(wǎng)絡(luò)實(shí)現(xiàn)結(jié)構(gòu)損傷的精確定位和大小評(píng)估；所述系統(tǒng)的整體結(jié)構(gòu)包括兩大核心部分，即主干網(wǎng)絡(luò)和注意力子網(wǎng)絡(luò)；

4、所述主干網(wǎng)絡(luò)用于負(fù)責(zé)從輸入的振動(dòng)響應(yīng)數(shù)據(jù)中提取并識(shí)別損傷位置的特征；主干網(wǎng)絡(luò)由四個(gè)級(jí)聯(lián)的卷積模塊組成，每個(gè)卷積模塊包含一層卷積層和一層池化層；四個(gè)級(jí)聯(lián)的卷積模塊按順序級(jí)聯(lián)，每個(gè)模塊的輸出作為下一個(gè)模塊的輸入；每個(gè)卷積模塊內(nèi)部，卷積層的輸出傳遞給池化層進(jìn)行降維處理；四個(gè)級(jí)聯(lián)的卷積模塊用于從輸入數(shù)據(jù)中提取出有價(jià)值的特征，最后通過(guò)一個(gè)軟最大層，生成損傷位置的分類(lèi)結(jié)果；

5、所述注意力子網(wǎng)絡(luò)用于基于從主干網(wǎng)絡(luò)獲得的損傷位置特征中進(jìn)一步學(xué)習(xí)和提取損傷大小的尺寸特征；注意力子網(wǎng)絡(luò)由多個(gè)級(jí)聯(lián)的注意力模塊組成，每個(gè)注意力模塊利用自適應(yīng)注意力掩碼來(lái)提取損傷大小的特征，每個(gè)注意力模塊都與主干網(wǎng)絡(luò)中的對(duì)應(yīng)的卷積模塊相連接，同時(shí)也與前一個(gè)注意力模塊的輸出級(jí)聯(lián)；這種設(shè)計(jì)使注意力子網(wǎng)絡(luò)可在各級(jí)注意力模塊之間傳遞和共享信息，從而在全局范圍內(nèi)進(jìn)行特征學(xué)習(xí)和優(yōu)化；

6、系統(tǒng)輸入為振動(dòng)響應(yīng)矩陣，所述振動(dòng)響應(yīng)矩陣由多個(gè)傳感器記錄的振動(dòng)響應(yīng)數(shù)據(jù)沿時(shí)間軸對(duì)齊并拼接而成；主干網(wǎng)絡(luò)與注意力子網(wǎng)絡(luò)連接，注意力模塊的內(nèi)部接受兩個(gè)輸入：一個(gè)來(lái)自前一個(gè)注意力模塊(或初始輸入)的輸出，另一個(gè)來(lái)自主干網(wǎng)絡(luò)中對(duì)應(yīng)卷積模塊的輸出；這種連接方式確保注意力子網(wǎng)絡(luò)能夠充分利用主干網(wǎng)絡(luò)提取的損傷位置特征；

7、損傷位置分類(lèi)結(jié)果由主干網(wǎng)絡(luò)中的軟最大層生成，表示輸入樣本對(duì)應(yīng)的損傷位置分類(lèi)；

8、損傷大小評(píng)估結(jié)果由注意力子網(wǎng)絡(luò)中的最后一個(gè)注意力模塊輸出，表示輸入樣本對(duì)應(yīng)的損傷大小評(píng)估值。

9、進(jìn)一步的，所述注意力模塊主要由兩部分構(gòu)成：掩碼生成器和特征提取器；所述掩碼生成器的核心是兩個(gè)級(jí)聯(lián)的卷積層，這兩層卷積層用于從兩個(gè)輸入中學(xué)習(xí)并生成自適應(yīng)的注意力掩碼；該注意力掩碼用于對(duì)輸入特征進(jìn)行加權(quán)，以便模型能夠關(guān)注到最重要的信息；特征提取器從加權(quán)特征中提取關(guān)于損傷大小的特征。

10、進(jìn)一步的，每個(gè)注意力模塊內(nèi)部，通過(guò)掩碼生成器生成自適應(yīng)注意力掩碼，再將該掩碼與輸入特征進(jìn)行逐元素相乘，得到加權(quán)后的特征，加權(quán)特征傳遞給特征提取器進(jìn)行進(jìn)一步處理。

11、本發(fā)明提供基于非對(duì)稱多任務(wù)學(xué)習(xí)的結(jié)構(gòu)損傷檢測(cè)方法，包括以下步驟：

12、1)數(shù)據(jù)預(yù)處理：將多個(gè)傳感器記錄的振動(dòng)響應(yīng)數(shù)據(jù)沿時(shí)間軸對(duì)齊并拼接成振動(dòng)響應(yīng)矩陣；

13、2)主干網(wǎng)絡(luò)處理：將振動(dòng)響應(yīng)矩陣輸入主干網(wǎng)絡(luò)，依次通過(guò)四個(gè)卷積模塊，每個(gè)卷積模塊提取出不同層次的特征，最后一個(gè)卷積模塊的輸出通過(guò)軟最大層生成損傷位置分類(lèi)結(jié)果；

14、3)注意力子網(wǎng)絡(luò)處理：利用主干網(wǎng)絡(luò)中各卷積模塊的輸出作為輸入，構(gòu)建注意力子網(wǎng)絡(luò)，每個(gè)注意力模塊生成自適應(yīng)注意力掩碼，對(duì)輸入特征進(jìn)行加權(quán)處理；加權(quán)后的特征通過(guò)特征提取器進(jìn)一步處理，生成損傷大小評(píng)估結(jié)果；

15、4)多任務(wù)損失優(yōu)化：采用交叉熵?fù)p失函數(shù)計(jì)算主干網(wǎng)絡(luò)、注意力子網(wǎng)絡(luò)的損失，通過(guò)多任務(wù)損失函數(shù)將兩者結(jié)合，通過(guò)最小化該損失函數(shù)共同優(yōu)化模型參數(shù)。

16、在步驟1)中，所述數(shù)據(jù)預(yù)處理，采用k個(gè)傳感器來(lái)記錄結(jié)構(gòu)的振動(dòng)響應(yīng)，在振動(dòng)響應(yīng)數(shù)據(jù)的采集過(guò)程中，采樣頻率為fs，采樣點(diǎn)數(shù)為n；每個(gè)傳感器記錄的響應(yīng)可以表示為其中，si，t是第i個(gè)傳感器在時(shí)間步t所記錄的數(shù)據(jù)；為整合這些數(shù)據(jù)，將所有傳感器記錄的振動(dòng)響應(yīng)沿時(shí)間軸進(jìn)行對(duì)齊，并拼接起來(lái)形成一個(gè)振動(dòng)響應(yīng)矩陣在這個(gè)矩陣中，si∈rn×1代表第i個(gè)傳感器記錄的振動(dòng)響應(yīng)。

17、在步驟2)中，所述主干網(wǎng)絡(luò)處理的具體步驟可為：

18、采用一維卷積網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，在一維卷積網(wǎng)絡(luò)中，輸入數(shù)據(jù)首先經(jīng)過(guò)卷積層的處理，此過(guò)程涉及卷積濾波器沿輸入序列滑動(dòng)，同時(shí)對(duì)濾波器覆蓋的元素執(zhí)行逐元素乘法并累加結(jié)果，從而產(chǎn)生新的序列；這一過(guò)程可以通過(guò)卷積層的數(shù)學(xué)公式來(lái)表示，如下式所示：

19、

20、其中，h代表子序列，u(i)代表內(nèi)核(濾波器)，y代表輸出信號(hào)，k代表子序列的索引，n代表內(nèi)核的長(zhǎng)度；在經(jīng)過(guò)卷積層的處理之后，數(shù)據(jù)被傳輸至池化層，該池化層對(duì)特征進(jìn)行降維；

21、主干網(wǎng)絡(luò)由四個(gè)緊密相連的卷積模塊構(gòu)建而成，每個(gè)卷積模塊都包含一層卷積層和一層池化層，每個(gè)卷積層產(chǎn)生的輸出特征都被共享，這些特征蘊(yùn)含振動(dòng)信號(hào)的豐富細(xì)節(jié)和損傷位置的重要信息。

22、在步驟3)中，所述注意力子網(wǎng)絡(luò)處理的具體步驟可為：

23、注意力子網(wǎng)絡(luò)由一系列注意力模塊級(jí)聯(lián)構(gòu)成；每個(gè)模塊都與主干網(wǎng)絡(luò)中的相應(yīng)卷積模塊連接，同時(shí)也與前一個(gè)注意力模塊的輸出級(jí)聯(lián)；注意力子網(wǎng)絡(luò)可以在各級(jí)注意力模塊之間傳遞和共享信息，從而在全局范圍內(nèi)進(jìn)行特征學(xué)習(xí)和優(yōu)化；

24、注意力模塊的內(nèi)部接受兩個(gè)輸入：一個(gè)來(lái)自前一個(gè)注意力模塊的輸出，另一個(gè)來(lái)自主干網(wǎng)絡(luò)中對(duì)應(yīng)卷積模塊的損傷位置特征；注意力模塊主要由兩部分構(gòu)成：掩碼生成器和特征提取器；

25、掩碼生成器的核心是兩個(gè)級(jí)聯(lián)的卷積層，這兩層卷積層的主要任務(wù)是從兩個(gè)輸入中學(xué)習(xí)并生成自適應(yīng)的注意力掩碼an；該掩碼的作用是對(duì)輸入特征進(jìn)行加權(quán)，以便模型能夠關(guān)注到最重要的信息；an的計(jì)算過(guò)程如下式：

26、

27、其中，fn代表第n個(gè)注意力模塊的掩碼生成器，yn-1是前一個(gè)注意力模塊的輸出，xn是對(duì)應(yīng)卷積模塊的輸出；符號(hào)代表兩個(gè)輸入在通道維度方向上的拼接；獲得自適應(yīng)注意力掩碼an后，就可以將其與輸入值進(jìn)行逐元素相乘；這樣可以得到一個(gè)新的特征，其中每個(gè)特征維度都被相應(yīng)的注意力權(quán)重所加權(quán)；接下來(lái)，特征提取器gn將從這個(gè)加權(quán)特征中提取關(guān)于損傷大小的特征；為了實(shí)現(xiàn)這一目標(biāo)，特征提取器gn采用一個(gè)尺寸為3的一維卷積層和一個(gè)尺寸為2的一維池化層的組合；

28、

29、其中，符號(hào)代表元素級(jí)別的乘法操作；第一個(gè)注意力模塊接受兩個(gè)輸入；首個(gè)輸入來(lái)源于主干網(wǎng)絡(luò)中最后一個(gè)卷積層的輸出，這個(gè)輸出包含經(jīng)過(guò)多層卷積和非線性變換后的高級(jí)特征；第二個(gè)輸入來(lái)自于主干網(wǎng)絡(luò)的第一個(gè)卷積塊，這個(gè)輸出保留原始數(shù)據(jù)的一些基礎(chǔ)特征；這兩個(gè)輸入的結(jié)合，既保留原始數(shù)據(jù)的直觀特征，又包含經(jīng)過(guò)網(wǎng)絡(luò)處理后的高級(jí)特征，從而能提供豐富的信息，有助于構(gòu)建更加強(qiáng)大的注意力子網(wǎng)絡(luò)。

30、在步驟4)中，所述多任務(wù)損失優(yōu)化的具體步驟可為：

31、采用多任務(wù)損失函數(shù)，通過(guò)最小化該損失函數(shù)來(lái)優(yōu)化模型的參數(shù)，這種多任務(wù)損失函數(shù)能同時(shí)考慮到多個(gè)任務(wù)的性能，使得模型在訓(xùn)練過(guò)程中能夠同時(shí)優(yōu)化多個(gè)任務(wù)的性能，從而使得模型具有更好的泛化能力和更高的性能；

32、l＝llocation+λlsize

33、變量llocation和lsize分別代表用于優(yōu)化主干網(wǎng)絡(luò)的損傷位置識(shí)別能力和注意力子網(wǎng)絡(luò)的損傷大小識(shí)別能力的損失，用于衡量模型在定位損傷位置和估計(jì)損傷大小方面的性能；

34、參數(shù)λ是一個(gè)權(quán)重因子，用于調(diào)節(jié)llocation和lsize在總損失中的相對(duì)重要性，λ可設(shè)置為1；

35、llocation和lsize都采用交叉熵?fù)p失作為損失函數(shù)，具體的計(jì)算公式如下式所示：

36、

37、其中，y表示樣本i的實(shí)際標(biāo)簽，表示樣本i的預(yù)測(cè)標(biāo)簽，yi,c表示樣本i的實(shí)際標(biāo)簽在類(lèi)別c上的值(通常是0或1，表示是否屬于該類(lèi)別)，表示模型對(duì)樣本i在類(lèi)別c上的預(yù)測(cè)結(jié)果，表示樣本屬于類(lèi)別c的概率；n為樣本數(shù)量，c為類(lèi)別總數(shù)；

38、對(duì)每個(gè)類(lèi)別而言，當(dāng)模型預(yù)測(cè)某個(gè)實(shí)例屬于該類(lèi)別的概率增大時(shí)，所對(duì)應(yīng)的損失會(huì)相應(yīng)減?。贿@表示，若實(shí)際標(biāo)簽yi,c為1，即實(shí)例確實(shí)屬于該類(lèi)別，那么損失函數(shù)就會(huì)激勵(lì)模型提高預(yù)測(cè)該類(lèi)別為正確標(biāo)簽的概率；反之，若實(shí)際標(biāo)簽yi,c為0，即實(shí)例不屬于該類(lèi)別，損失函數(shù)則會(huì)激勵(lì)模型降低預(yù)測(cè)該類(lèi)別為正確標(biāo)簽的概率。

39、與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)效果和優(yōu)點(diǎn)在于：

40、1、本發(fā)明主干網(wǎng)絡(luò)由四個(gè)緊密相連的卷積模塊構(gòu)建而成，每個(gè)卷積模塊都包含一層卷積層和一層池化層，主干網(wǎng)絡(luò)用于輸出損傷位置的分類(lèi)結(jié)果，同時(shí)與注意力子網(wǎng)絡(luò)共享信息；每個(gè)卷積層產(chǎn)生的輸出特征都被共享，這些特征蘊(yùn)含振動(dòng)信號(hào)的豐富細(xì)節(jié)和損傷位置的重要信息；注意力子網(wǎng)絡(luò)利用這些從主干網(wǎng)絡(luò)獲得的共享特征，進(jìn)行損傷尺寸的精準(zhǔn)評(píng)估。

41、2、本發(fā)明采用非對(duì)稱多任務(wù)學(xué)習(xí)框架和位置注意力機(jī)制，能夠充分發(fā)揮多任務(wù)學(xué)習(xí)方法在提升損傷位置和損傷大小識(shí)別任務(wù)性能方面的優(yōu)勢(shì)，同時(shí)也能將負(fù)遷移現(xiàn)象帶來(lái)的不利影響減至最少，從而使得損傷位置和大小的識(shí)別更加精確。本發(fā)明注意力子網(wǎng)絡(luò)包含一系列級(jí)聯(lián)的注意力模塊，這些模塊能從主干網(wǎng)絡(luò)中獲取的損傷位置特征提取出與損傷大小相關(guān)的重要信息，從而有助于精確識(shí)別損傷的大小。

42、3、本發(fā)明采用交叉熵?fù)p失函數(shù)的設(shè)計(jì)不僅關(guān)注于模型對(duì)各類(lèi)別正樣本的預(yù)測(cè)能力，也關(guān)注于其對(duì)負(fù)樣本的預(yù)測(cè)能力。這種方法確保模型在所有可能的類(lèi)別上均能展現(xiàn)出優(yōu)秀的預(yù)測(cè)性能。通過(guò)最小化這種損失函數(shù)，模型能夠更有效地學(xué)習(xí)并區(qū)分不同類(lèi)別的特征，從而提升其整體的分類(lèi)性能。

43、4、本發(fā)明能夠?yàn)閾p傷位置特征和損傷大小特征自適應(yīng)地分配權(quán)重，將兩個(gè)特征加權(quán)求和之后，可以從中提取到包含豐富位置信息的損傷大小特征，從而提高損傷大小識(shí)別任務(wù)的效果。實(shí)驗(yàn)結(jié)果顯示，本發(fā)明在準(zhǔn)確識(shí)別損傷大小方面有明顯的提升，優(yōu)于其他方法。