结构模态参数提取方法、装置、计算机设备及存储介质

摘要

本方案涉及一种结构模态参数提取方法、装置、计算机设备及存储介质。所述方法包括：获取待监测结构在多个目标时间段内的振动信号；随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。通过对振动信号进行随机切片得到片段振动信号，从而对神经网络模型进行参数调整，进而通过目标神经网络输出模态参数，可以避免噪声干扰，提高了输出的模态参数的准确性。

说明书

技术领域

本发明涉及结构监测技术领域，特别是涉及一种结构模态参数提取方法、装置、计算机设备及存储介质。

背景技术

模态分析是研究结构动力特性一种方法，一般应用在工程振动领域。其中，模态是指机械结构的固有振动特性，每一个模态都有特定的固有频率、阻尼比和模态振型。分析这些模态参数的过程称为模态分析。模态分析是桥梁、建筑等结构健康监测的一种重要技术手段，因为结构的各阶模态与结构的质量、刚度、几何结构、边界条件等特性直接关联，所以通过实时监测结构各阶模态的变化情况，包括振型、频率、阻尼等模态参数，可以推测结构是否出现老化、裂纹等危险状况。

然而，传统模态分析方法抵抗噪声的能力不够，尤其是当环境中存在车辆载荷、温度载荷、风载等非高斯噪声时。因此，传统的模态参数提取存在提取参数不准确的问题。

发明内容

基于此，为了解决上述技术问题，提供一种结构模态参数提取方法、装置、计算机设备和存储介质，可以提高提取参数的准确性。

一种结构模态参数提取方法，所述方法包括：

获取待监测结构在多个目标时间段内的振动信号；

随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；

将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。

在其中一个实施例中，所述方法还包括：

获取所述待监测结构的一阶共振频率；

根据所述一阶共振频率计算一阶周期；

通过所述一阶周期获取至少两个所述时间片段。

在其中一个实施例中，所述将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型，包括：

将所述数据集中的数据依次输入至神经网络模型中，通过所述神经网络模型输出所述待监测结构的模态参数重构信号；

获取所述模态参数重构信号与所述振动信号之间的最小二乘差值；

将所述最小二乘差值作为所述神经网络模型的损失函数；

根据所述损失函数对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

在其中一个实施例中，所述根据所述损失函数对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型，包括：

将所述损失函数在所述神经网络模型上进行反向传播，并对所述神经网络模型中的参数进行更新，得到目标神经网络模型。

在其中一个实施例中，所述神经网络模型的训练构成包括：

根据所述输入数据得到输入层节点序列，将所述输入层节点序列进行映射得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；

根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与所述输入数据对应的模态参数重构信号。

一种结构模态参数提取装置，所述装置包括：

振动信号获取模块，用于获取待监测结构在多个目标时间段内的振动信号；

信号提取模块，用于随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；

参数调整模块，用于将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

模态参数输出模块，用于通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待监测结构在多个目标时间段内的振动信号；

随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；

将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待监测结构在多个目标时间段内的振动信号；

随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；

将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。

上述结构模态参数提取方法、装置、计算机设备和存储介质，通过获取待监测结构在多个目标时间段内的振动信号；随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。通过对振动信号进行随机切片得到片段振动信号，从而对神经网络模型进行参数调整，进而通过目标神经网络输出模态参数，可以避免噪声干扰，提高了输出的模态参数的准确性。

附图说明

图1为一个实施例中结构模态参数提取方法的应用环境图；

图2为一个实施例中结构模态参数提取方法的流程示意图；

图3为一个实施例中目标时间段内的振动信号示意图；

图4为一个实施例中神经网络模型的示意图；

图5为一个实施例中结构模态参数提取装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的结构模态参数提取方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110。计算机设备110可以获取待监测结构在多个目标时间段内的振动信号；计算机设备110可以随机在每个目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有片段振动信号作为神经网络训练数据集；计算机设备110可以将数据集中的数据依次输入至神经网络模型中，并对神经网络模型中的参数进行迭代调整，得到目标神经网络模型；计算机设备110可以通过将待监测结构在新工况下的片段振动信号输入目标神经网络模型，得到模态参数。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、机器人、平板电脑等设备。

在一个实施例中，如图2所示，提供了一种结构模态参数提取方法，包括以下步骤：

步骤202，获取待监测结构在多个目标时间段内的振动信号。

待监测结构可以是桥梁、建筑等结构。目标时间段可以是随机的一段时间。计算机设备可以在多个目标时间段内获取待监测结构的振动信号。

步骤204，随机在每个目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有片段振动信号作为神经网络训练数据集。

目标时间段内可以分割有多个时间片段，每个目标时间段内的振动信号可以在不同时间片段上被分割为不同的片段振动信号。

计算机设备在获取到目标时间段内的振动信号后，可以随机在每个目标时间段内各随机提取至少两个时间片段上片段振动信号。神经网络训练数据集可以用于表示输入神经网络模型中的数据集，计算机设备可以将所有片段振动信号作为神经网络训练数据集。

步骤206，将数据集中的数据依次输入至神经网络模型中，并对神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

神经网络模型可以是训练好的。计算机设备可以将所有的数据集中的数据按照先后顺序分成多批次输入至神经网络模型中，从而对神经网络模型中的参数进行迭代调整，进而得到目标神经网络模型。

步骤208，通过将待监测结构在新工况下的片段振动信号输入目标神经网络模型，得到模态参数。

在本实施例中，通过获取待监测结构在多个目标时间段内的振动信号；随机在每个所述目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有所述片段振动信号作为神经网络训练数据集；将所述数据集中的数据依次输入至神经网络模型中，并对所述神经网络模型中的参数进行迭代调整，得到目标神经网络模型；通过将待监测结构在新工况下的片段振动信号输入所述目标神经网络模型，得到模态参数。通过对振动信号进行随机切片得到片段振动信号，从而对神经网络模型进行参数调整，进而通过目标神经网络输出模态参数，可以避免噪声干扰，提高了输出的模态参数的准确性。

在一个实施例中，提供的一种结构模态参数提取方法还可以包括获得时间片段的过程，具体过程包括：获取待监测结构的一阶共振频率；根据一阶共振频率计算一阶周期；通过一阶周期获取至少两个时间片段。

时间片段的宽度可以与一阶共振频率相关。如图3所示，图3为目标时间段内的振动信号，随机提取3个时间片段上的片段振动信号作为输入数据。时间片段的宽度Δt的设定需要考虑待监测结构的一阶共振频率，至少应该包括2个一阶周期。

实际的工程结构中，所处的环境存在复杂的噪声，以桥梁为例，风、水流、行人、车辆等激励源以随机的方式对桥梁进行激振，这些信号并不是标准的高斯噪声，与桥梁的自由振动信号混杂，如果不加以有效消除，会在较大程度上影响所提取的振动模态参数的准确性。考虑到这些环境噪声的随机性，单一种类的噪声并不会在所有时间上稳定存在，截取不同时间片段上的振动信号，对应的噪声信号也将有明显差异，而结构的模态振动信号则作为所有时间片段上的共同信号稳定存在。在本实施例中，通过神经网络模型对多个时间片段上的信号同时进行处理，可以消除噪声信号，而获得较准确的结构振动模态参数。

在一个实施例中，提供的一种结构模态参数提取方法还可以包括得到目标神经网络模型的过程，具体过程包括：将数据集中的数据依次输入至神经网络模型中，通过神经网络模型输出待监测结构的模态参数重构信号；获取模态参数重构信号与振动信号之间的最小二乘差值；将最小二乘差值作为神经网络模型的损失函数；根据损失函数对神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

在一个实施例中，提供的一种结构模态参数提取方法还可以包括调整神经网络模型参数的过程，具体过程包括：将损失函数在神经网络模型上进行反向传播，并对神经网络模型中的参数进行更新，得到目标神经网络模型。

在一个实施例中，提供的一种结构模态参数提取方法还可以包括训练神经网络模型的过程，具体过程包括：根据输入数据得到输入层节点序列，将输入层节点序列进行映射得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与输入数据对应的模态参数重构信号。

如图4所示，神经网络模型的输入样本数据是原始振动信号的切片信号，切片数不小于2，C1，C2，…，C5是卷积层，R1，R2，…，R5是RELU层，P1，P2，…，P5是Pooling层，D1，D2是Dropout层，FC1，FC2是全联接层；Output层中的α

因为不需要带标签的训练数据，所以这是一种无监督的神经网络训练方法。通过不断输入训练数据，对神经神经网络进行迭代更新，直至收敛稳定，最终得到可以实际使用的结构振动模态参数预测模型。实际应用时，将信号按照切片的方式输入到训练得到的神经网络模型中，通过网络的前向传播，输出Output层的模态参数。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种结构模态参数提取装置，包括：振动信号获取模块510、信号提取模块520、参数调整模块530和模态参数输出模块540，其中：

振动信号获取模块510，用于获取待监测结构在多个目标时间段内的振动信号；

信号提取模块520，用于随机在每个目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有片段振动信号作为神经网络训练数据集；

参数调整模块530，用于将数据集中的数据依次输入至神经网络模型中，并对神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

模态参数输出模块540，用于通过将待监测结构在新工况下的片段振动信号输入目标神经网络模型，得到模态参数。

在一个实施例中，信号提取模块520还用于：获取待监测结构的一阶共振频率；根据一阶共振频率计算一阶周期；通过一阶周期获取至少两个时间片段。

在一个实施例中，参数调整模块530还用于：将数据集中的数据依次输入至神经网络模型中，通过神经网络模型输出待监测结构的模态参数重构信号；获取模态参数重构信号与振动信号之间的最小二乘差值；将最小二乘差值作为神经网络模型的损失函数；根据损失函数对神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

在一个实施例中，参数调整模块530还用于：将损失函数在神经网络模型上进行反向传播，并对神经网络模型中的参数进行更新，得到目标神经网络模型。

在一个实施例中，参数调整模块530还用于：根据输入数据得到输入层节点序列，将输入层节点序列进行映射得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与输入数据对应的模态参数重构信号。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种结构模态参数提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待监测结构在多个目标时间段内的振动信号；

随机在每个目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有片段振动信号作为神经网络训练数据集；

将数据集中的数据依次输入至神经网络模型中，并对神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

通过将待监测结构在新工况下的片段振动信号输入目标神经网络模型，得到模态参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待监测结构的一阶共振频率；根据一阶共振频率计算一阶周期；通过一阶周期获取至少两个时间片段。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将数据集中的数据依次输入至神经网络模型中，通过神经网络模型输出待监测结构的模态参数重构信号；获取模态参数重构信号与振动信号之间的最小二乘差值；将最小二乘差值作为神经网络模型的损失函数；根据损失函数对神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将损失函数在神经网络模型上进行反向传播，并对神经网络模型中的参数进行更新，得到目标神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据输入数据得到输入层节点序列，将输入层节点序列进行映射得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与输入数据对应的模态参数重构信号。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待监测结构在多个目标时间段内的振动信号；

随机在每个目标时间段内各提取至少两个时间片段上的片段振动信号，并将所有片段振动信号作为神经网络训练数据集；

将数据集中的数据依次输入至神经网络模型中，并对神经网络模型中的参数进行迭代调整，得到目标神经网络模型；

通过将待监测结构在新工况下的片段振动信号输入目标神经网络模型，得到模态参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待监测结构的一阶共振频率；根据一阶共振频率计算一阶周期；通过一阶周期获取至少两个时间片段。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将数据集中的数据依次输入至神经网络模型中，通过神经网络模型输出待监测结构的模态参数重构信号；获取模态参数重构信号与振动信号之间的最小二乘差值；将最小二乘差值作为神经网络模型的损失函数；根据损失函数对神经网络模型中的参数进行迭代调整，得到目标神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将损失函数在神经网络模型上进行反向传播，并对神经网络模型中的参数进行更新，得到目标神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据输入数据得到输入层节点序列，将输入层节点序列进行映射得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与输入数据对应的模态参数重构信号。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。