本發(fā)明涉及一種傳感器技術(shù)，具體是一種基于三級數(shù)據(jù)融合的大型結(jié)構(gòu)損傷識別方法。

背景技術(shù)：

交通運(yùn)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(shù)中心等結(jié)構(gòu)的健康安全與人民群眾密切相關(guān)。然而由于這些結(jié)構(gòu)體積龐大、結(jié)構(gòu)復(fù)雜、使用年限長、占地面積廣，如果不能有效地對其實(shí)施監(jiān)測保護(hù)和健康診斷，將會產(chǎn)生許多不確定的因素。近些年來，這些土木結(jié)構(gòu)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(yán)重的社會影響。

雖然世界各國很早就開始關(guān)注結(jié)構(gòu)的損傷情況，但由于傳統(tǒng)的損傷識別技術(shù)落后，很難全面的對結(jié)構(gòu)的損傷狀況進(jìn)行識別。21世紀(jì)初，全球范圍內(nèi)的在役工程結(jié)構(gòu)進(jìn)入了修復(fù)期。由于重新建造橋梁、大壩等大型土木結(jié)構(gòu)需要花費(fèi)非常龐大的財(cái)政資金，因此，全世界各國都將舊的土木結(jié)構(gòu)視為寶貴的財(cái)富，希望通過對其全方位的診斷評估并進(jìn)行針對性的修復(fù)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(wǎng)絡(luò)技術(shù)具有十分良好的前景與重要的研究意義，對大型結(jié)構(gòu)布設(shè)大量的無線傳感器節(jié)點(diǎn)，節(jié)點(diǎn)之間通過zigbee通訊協(xié)議進(jìn)行數(shù)據(jù)傳輸，這樣既整潔美觀又節(jié)約了電纜的費(fèi)用，但同時我們也該看到，大量傳感器的布設(shè)同樣也帶來了另一個問題，如何從大量冗余數(shù)據(jù)中準(zhǔn)確實(shí)現(xiàn)對結(jié)構(gòu)損傷的識別，這就需要另一項(xiàng)技術(shù)也是本文的研究重點(diǎn)一數(shù)據(jù)融合技術(shù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于三級數(shù)據(jù)融合的大型結(jié)構(gòu)損傷識別方法，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于三級數(shù)據(jù)融合的大型結(jié)構(gòu)損傷識別方法，包含以下步驟:

a、采集待檢測大型結(jié)構(gòu)的位移和加速度信息并進(jìn)行數(shù)據(jù)處理；

b、采用三級數(shù)據(jù)融合算法對步驟a中采集的信息進(jìn)行融合；

c、對步驟b得出的結(jié)果進(jìn)行識別，通過數(shù)值仿真得出檢測結(jié)果。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述三級數(shù)據(jù)融合算法包括數(shù)據(jù)級融合、特征級融合和決策級融合。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述數(shù)據(jù)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(shù)據(jù)剔除可疑數(shù)據(jù)，再用一致性融合算法進(jìn)行融合處理，得到更為準(zhǔn)確的數(shù)據(jù)。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述特征級融合采用acga-bp神經(jīng)網(wǎng)絡(luò)作為模式識別器，分別以頻率和位移作為輸入?yún)?shù)，實(shí)現(xiàn)結(jié)構(gòu)的初步識別。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述決策級融合采用d-s證據(jù)理論，分析討論了采用d-s證據(jù)理論對兩種初步識別結(jié)果進(jìn)行決策級融合相比較于將頻率和位移混合作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)進(jìn)行損傷識別的優(yōu)越性。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述步驟a包括以下步驟：a、信息獲取，根據(jù)研究對象的實(shí)際情況采用各種不同的傳感器，并將傳感器獲取的信號經(jīng)過a/d轉(zhuǎn)化后傳入計(jì)算機(jī)系統(tǒng)，b、數(shù)據(jù)預(yù)處理，使用濾波或野點(diǎn)剔除方法進(jìn)行數(shù)據(jù)的預(yù)處理，c、特征提取，將傳感器采集的信號進(jìn)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(jì)量及其變形。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明設(shè)計(jì)一種三級融合策略共同完成對結(jié)構(gòu)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(jìn)行數(shù)據(jù)級融合，提高數(shù)據(jù)采集的精度，降低節(jié)點(diǎn)的數(shù)據(jù)傳輸量;再使用acga-bp神經(jīng)網(wǎng)絡(luò)分別以靜態(tài)測量數(shù)據(jù)的位移和動態(tài)測量數(shù)據(jù)的固有頻率作為網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行初步損傷識別;最后利用d-s證據(jù)理論對基于靜態(tài)測量數(shù)據(jù)的識別結(jié)果和基于動態(tài)測量數(shù)據(jù)的識別結(jié)果進(jìn)行再次融合，使得最終識別結(jié)果更加準(zhǔn)確。

附圖說明

圖1為融合策略結(jié)構(gòu)圖。

圖2為數(shù)據(jù)融合結(jié)構(gòu)圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)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(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1-2，一種基于三級數(shù)據(jù)融合的大型結(jié)構(gòu)損傷識別方法，包含以下步驟:

a、采集待檢測大型結(jié)構(gòu)的位移和加速度信息并進(jìn)行數(shù)據(jù)處理；

b、采用三級數(shù)據(jù)融合算法對步驟a中采集的信息進(jìn)行融合；

c、對步驟b得出的結(jié)果進(jìn)行識別，通過數(shù)值仿真得出檢測結(jié)果。

三級數(shù)據(jù)融合算法包括數(shù)據(jù)級融合、特征級融合和決策級融合。

數(shù)據(jù)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(shù)據(jù)剔除可疑數(shù)據(jù)，再用一致性融合算法進(jìn)行融合處理，得到更為準(zhǔn)確的數(shù)據(jù)。

特征級融合采用acga-bp神經(jīng)網(wǎng)絡(luò)作為模式識別器，分別以頻率和位移作為輸入?yún)?shù)，實(shí)現(xiàn)結(jié)構(gòu)的初步識別。

決策級融合采用d-s證據(jù)理論，分析討論了采用d-s證據(jù)理論對兩種初步識別結(jié)果進(jìn)行決策級融合相比較于將頻率和位移混合作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)進(jìn)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(jù)研究對象的實(shí)際情況采用各種不同的傳感器，并將傳感器獲取的信號經(jīng)過a/d轉(zhuǎn)化后傳入計(jì)算機(jī)系統(tǒng)，b、數(shù)據(jù)預(yù)處理，使用濾波或野點(diǎn)剔除方法進(jìn)行數(shù)據(jù)的預(yù)處理，c、特征提取，將傳感器采集的信號進(jìn)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(jì)量及其變形。

本發(fā)明的工作原理是：目前大型結(jié)構(gòu)損傷識別面臨著以下幾個困難:(1)對于結(jié)構(gòu)某種損傷狀況，單一損傷識別手段很難準(zhǔn)確識別，而采用多種不同的識別方法往往得到的結(jié)果不相一致，因此難以從多種結(jié)果中得到準(zhǔn)確的識別信息。(2)對于大型結(jié)構(gòu)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(shù)進(jìn)行損傷識別得到的結(jié)果也不一致。為了解決以上問題，本文依據(jù)數(shù)據(jù)融合理論設(shè)計(jì)了一種三級融合策略。在數(shù)據(jù)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(jīng)網(wǎng)絡(luò)進(jìn)行融合;在決策級采用d-s證據(jù)理論進(jìn)行最終融合。為了提高結(jié)果的準(zhǔn)確性，本文采用靜態(tài)測量數(shù)據(jù)與動態(tài)測量數(shù)據(jù)相結(jié)合的方法共同作為結(jié)構(gòu)損傷的判斷依據(jù)，融合策略結(jié)構(gòu)圖如圖1所示。

首先由傳感器采集各項(xiàng)數(shù)據(jù)信息，在對單個傳感器采集得到一組數(shù)據(jù)進(jìn)行數(shù)據(jù)融合前，需要先剔除可疑數(shù)據(jù)，而如何確定數(shù)據(jù)是否滿足要求，需要設(shè)定一個閡值，當(dāng)數(shù)據(jù)大于這個閡值時就可以認(rèn)為這個數(shù)據(jù)為可疑數(shù)據(jù)，本文選擇格魯布斯準(zhǔn)則判斷方法來區(qū)分可疑數(shù)據(jù)。

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

特征級融合選擇acga-bp神經(jīng)網(wǎng)絡(luò)來完成，bp神經(jīng)網(wǎng)絡(luò)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(jìn)的自適應(yīng)協(xié)同進(jìn)化遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閡值進(jìn)行全局搜索。從而提高了網(wǎng)絡(luò)的精度和訓(xùn)練的時間。分別以基于動態(tài)測量數(shù)據(jù)的固有頻率和基于靜態(tài)測量數(shù)據(jù)的位移作為網(wǎng)絡(luò)的輸入?yún)?shù)，得到對研究對象的初步損傷識別結(jié)果。

利用acga-bp網(wǎng)絡(luò)得到的初步損傷識別結(jié)果在識別精度上仍然無法做到高度準(zhǔn)確，無論是基于靜態(tài)測量數(shù)據(jù)的識別方法還是基于動態(tài)測量數(shù)據(jù)的識別方法都有自己的局限性，當(dāng)識別參數(shù)存在噪聲時，就會出現(xiàn)不同程度的誤判，而本文所采用的d-s證據(jù)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(jié)果的準(zhǔn)確性。

bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是以梯度降低的方法修正權(quán)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(jīng)網(wǎng)絡(luò)的廣泛使用，傳統(tǒng)的運(yùn)用bp網(wǎng)絡(luò)解決問題的弊端也在顯現(xiàn)，針對bp網(wǎng)絡(luò)的缺點(diǎn)，很多學(xué)者提出了各種改進(jìn)策略，如自適應(yīng)學(xué)習(xí)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(jīng)網(wǎng)絡(luò)的性能，但仍然無法從根本上解決bp網(wǎng)絡(luò)權(quán)值和閡值訓(xùn)練問題。而遺傳算法具有較強(qiáng)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(wǎng)絡(luò)的權(quán)值和閡值進(jìn)行求解，兩種算法相結(jié)合，從而使得整個網(wǎng)絡(luò)性能更加優(yōu)越。

利用遺傳算法對bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化主要分為三個部分:首先確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，進(jìn)而確定遺傳算法個體信息。其次利用自適應(yīng)協(xié)同進(jìn)化遺傳算法優(yōu)化bp網(wǎng)絡(luò)的權(quán)值和閡值，個體的適應(yīng)度值由適應(yīng)度函數(shù)計(jì)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(quán)值和閡值信息作為網(wǎng)絡(luò)的初始值。