(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111422491.5 (22)申请日 2021.11.26 (71)申请人 广州大学 地址 510006 广东省广州市番禺区大 学城 外环西路23 0号 (72)发明人 叶锡钧　曹永杰　何沛衡　潘楚东　 邓军　汪大洋　刘爱荣　陈炳聪　 周军勇　 (74)专利代理 机构 北京高航知识产权代理有限 公司 11530 代理人 刘艳玲 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 基于平行卷积神经网络的结构损伤识别方 法和装置 (57)摘要 本发明提供基于平行卷积神经网络的结构 损伤识别方法和装置， 该方法包括： S11数据采 样： 采集由加速度传感器记录的加速度数据； S12 数据预处理： 对每个加速度传感器记录的加速度 数据进行预处理， 得到加速度数据序列及其时频 图； S13损伤识别： 将各个加速度传感器对应的输 入数据集输入到训练好的基于平行卷积神经网 络的损伤识别模 型中， 由损伤识别模 型对输入数 据集进行特征提取和损伤类别预测， 得到符合各 损伤工况数据特征的概率； 并根据符合各损伤工 况特征的概率得到相应的结构损伤识别结果； 其 中输入数据集包括加速度时间序列及其时频图。 本发明有助于提高结构损伤的识别效果。 权利要求书3页 说明书13页 附图7页 CN 114357855 A 2022.04.15 CN 114357855 A 1.基于平行 卷积神经网络的结构损伤 识别方法， 其特 征在于， 包括： S11数据采样： 采集由加速度传感器记录的加速度数据， 其中所述加速度传感器设置在 目标结构的设定位置上， 所述加速度数据包括对目标结构施加激励后由加速度传感器记录 的振动响应； S12数据预处理： 对每个加速度传感器记录的加速度数据进行预处理， 得到加速度 数据 序列及其时频图； S13损伤识别： 将各个加速度传感器对应的输入数据集输入到训练好的基于平行卷积 神经网络的损伤识别模型中， 由损伤识别模型对输入数据集进行特征提取和损伤类别预 测， 得到符合各损伤工况数据特征 的概率； 并根据符合各损伤工况数据特征 的概率得到相 应的结构损伤 识别结果； 其中输入数据集包括加速度时间序列及其时频图。 2.根据权利要求1所述的基于平行卷积神经网络的结构损伤识别方法， 其特征在于， 步 骤S11中具体包括： 对目标结构施加激励， 其中目标 结构包括框架结构； 接收由设置在目标 结构上的加速度传感器组记录的振动响应： 其中Kp表示第p个加速度传感器记 录的加速度数据， 其中p∈[1,P]， P表示加速度传感器 的总数。 3.根据权利要求2所述的基于平行卷积神经网络的结构损伤识别方法， 其特征在于， 步 骤S12具体包括： 对每个加速度传感器记录的加速度 数据进行随机截取， 截取固定长度的数据段作为数 据样本， 得到N段 数据组成数据样本： 其中Kp,n表示第p个加速度传感器记录的加速度数据中随机截取的第n段数据， 其中n∈ [1,N]； 其中设定每段 数据的长度为 L； 对数据样本进行零 ‑均值标准化和连续小波变换， 获取标准化后的时间序列及其小波 时频图。 4.根据权利要求3所述的基于平行卷积神经网络的结构损伤识别方法， 其特征在于， 步 骤S13中， 所述训练好的基于平行卷积神经网络的损伤识别模型包括由多个平行卷积神经 网络组合而成的网络群； 其中每个平行卷积神经网络对应一个在目标结构的设定位置上设 置的加速度传感器。 5.根据权利要求4所述的基于平行卷积神经网络的结构损伤识别方法， 其特征在于， 步 骤S13包括： 将各个加速度传感器对应的输入数据集分别输入到对应的平行卷积神经网络中， 由各权　利　要　求　书 1/3 页 2 CN 114357855 A 2平行卷积神经网络 分别提取输入数据集特征并进 行损伤类型预测， 其中平行卷积神经网络 的输出结果为对应的加速度传感器的N段数据样本中， 符合不同损伤工况特征 的数据段 的 数量； 针对每个平行卷积神经网络， 计算符合各损伤工况 特征的概率： 其中， PODj表示平行卷积神经网络判定输入数据集为损伤工况j的概率， 表示输入数据 集的数据特征和损伤工况j数据特征的相似程度， 其中j∈[1,m]， m表示设定的损伤工况总 数， nj表示平行卷积神经网络的输出结果， 为符合损伤工况j数据特征的数据段的数量； 基 于得到的各损伤工况 特征的概率计算加权损伤度： 其中Dtwai为加权损伤度， 表示第i个平行卷积神经网络对目标结构整体的损伤评估， wj 表示设定的针对损伤工况j的损伤程度， 其中wj∈[0,1]； 将与各个平行卷积神经网络对应的加权损伤度进行加权平均处理， 得到目标结构的整 体结构健康评估信息： 其中D表示目标结构的损伤程度； Dtwai表示第i个平行卷积神经网络对目标结构整体的 加权损伤度， p表示平行卷积神经网络的总数， ci表示第i个平行卷积神经网络对应的折减 系数， 其表示 i号加速度传感器的数据对目标 结构这个损伤的反映能力， 其中ci∈[0,1]； 输出目标 结构的损伤程度D对应的结构损伤 识别结果。 6.根据权利要求1或5所述的基于平行卷积神经网络的结构损伤识别方法， 其特征在 于， 该方法还包括： S0训练损伤 识别模型， 具体包括： S01训练工况设计； 选定所述目标结构， 并设置m组损伤工况， 获取m个损伤工况对应的 加速度数据作为模型的原 始训练数据； S02数据采样与分组： 针对不同损伤工况的目标结构， 对目标结构施加激励， 获取目标 结构在设定位置上的加速度传感器记录的加速度响应： 其中， Am表示对应第m个损伤工况 下， 各个加速度传感器记录的加速度响应数据组； Um,p表示对应第m个数据组中第p个传感器记录的加速度数据； 根据上述得到的加速度响应进行重新组合， 得到针对每个传感器记录的m个损伤工况 数据组：权　利　要　求　书 2/3 页 3 CN 114357855 A 3