一种GBDT桁架损伤识别方法

计算;推算;计数设备的制造及其应用技术一种gbdt桁架损伤识别方法技术领域1.本发明涉及桁架损伤识别方法，具体是指一种gbdt桁架损伤识别方法。背景技术：2.桁架是一种由杆件通过焊接、铆接或螺栓，彼此在两端用铰链连接而成的支撑横梁结构，桁架的优点是杆件主要承受拉力或压力，从而能充分利用材料的强度，在跨度较大时可比实腹梁节省材料，减轻自重和增大刚度。桁架在长期服役后容易出现结构损伤，为了避免经济损失和安全事故，有必要建立桁架损伤识别智能化平台。3.桁架结构健康检测与损伤识别是保障桁架结构安全使用的重要研究内容，由于桁架结构在服役过程中受自然环境和随机载荷的影响，因此会导致桁架结构积累损伤，目前，桁架结构损伤识别大多采用基于统计模式识别的超门限决策方法，其中门限值的选取依靠人为经验，极易造成漏检。因此，可将具有自组织、自学习和自适应能力的机器学习方法应用于桁架结构损伤识别领域。技术实现要素：4.以解决上述背景技术中提出的问题，本发明的目的在于提供一种gbdt桁架损伤识别方法，依据实测桁架损伤信号为研究对象，引入经验模态分解，提取桁架结构损伤状态下频域特征值并与挠度值共同构建动静响应特征量相结合的桁架损伤数据系统，通过孤立森林和缺失森林依次对损伤数据库进行异常检测和数据补全，并利用主成分分析对得到的损伤数据库进行特征降维，构建适于桁架损伤检测的优化gbdt模型，实现桁架结构损伤位置识别和损伤程度预测。5.为解决上述技术问题，本发明提供的技术方案为：一种gbdt桁架损伤识别方法，其特征在于，包括桁架损伤数据库建立、桁架损伤数据库优化以及桁架结构损伤识别，所述桁架损伤数据库建立，通过桁架损伤数据库的建立进行数据的收集，记性动态信号采集与动态信号特征提取，同时进行静态信息采集。6.作为改进，所述桁架损伤数据库优化，if异常值检测、mf数据补全，最后通过pca降维。7.作为改进，所述桁架结构损伤识别，首先通过梯度提升树分类模型对桁架损伤位置识别，再通过梯度提升树回归模型对桁架损伤程度判定。8.作为改进，所述桁架结构损伤识别选择非线性逼近能力优秀、预测准确率高且训练时间短的gbdt算法进行桁架损伤识别，将优化后的桁架损伤数据通过gbdt算法进行损伤位置识别和损伤程度判定，gbdt算法是boosting算法的改进形式，boosting算法的工作原理是在初始阶段给各个训练样本赋予相同的权值，之后每次训练对出错的样本进行权值的增加，经过多次迭代生成相应的多个基学习器，然后对生成的多个基学习器进行组合，最终通过加权或投票的方式生成模型，梯度提升树回归与分类算法的区别是输入的训练数据是残差而非损失函数的梯度，即将上一次的预测结果带入残差中求出本轮的训练数据，梯度提升树具有处理各类数据的灵活性、超高的预测准确率和很强的鲁棒性等优点，可有效地进行分类与回归。9.本发明的有益效果是：这种gbdt桁架损伤识别方法，基于动静响应特征量的优化gbdt桁架损伤检测模型可准确地对桁架结构损伤进行有效识别，与传统的gbdt模型相比，桁架损伤位置分类准确率提高了17.6％，桁架损伤程度回归判定误差保持在2％以内，为桁架结构健康检测和安全使用提供了有效的识别方法。附图说明10.图1为本发明一种gbdt桁架损伤识别方法流程图具体实施方式11.下面用具体实施例说明本发明，并不是对本发明的限制。12.一种gbdt桁架损伤识别方法，其特征在于，包括桁架损伤数据库建立、桁架损伤数据库优化以及桁架结构损伤识别，所述桁架损伤数据库建立，通过采集桁架损伤数据来构建桁架损伤数据库，采集动态信号并进行特征提取，同时采集静态信息。在桁架损伤检测中，采集到的原始桁架损伤信号s(t)是非线性的，设定s(t)是为：13.s(t)＝x(t)+n(t)14.式中x(t)为桁架损伤信号，n(t)为噪声信号。15.为了消除噪声信号n(t)的影响，本文选用了emd方法对s(t)进行经验模态分解，得到多个本征模函数，其中imf属于近似单频率成分的窄带信号。将s(t)分解成多个基本模式的桁架损伤信号分量和一个余项的和，公式为：[0016][0017]其中rn(t)为经过分解的残余函数，每个桁架损伤信号分量ci(t),i＝1,2,···,n包含信号由小到大不同时间特征尺度的成分，每个桁架损伤信号分量也包含了从高到低不同频率段的成分，每个频率段的频率成分互不相同且随信号发生变化。[0018]对采集到的s(t)进行emd时频分析后，得到7个imf分量c1(t),···,c7(t)和1个残余分量r1(t)，由于前四阶分量c1(t),···,c4(t)构成了s(t)的主要瞬时信号，c5(t),···,c7(t)分量的能量分布较小，其对于s(t)的影响可忽略不计，因此只取前四个桁架损伤信号分量进行分析。将c1(t),···,c4(t)进行fft变换，提取桁架损伤信号分量的频域特征值ci(k),i＝1,2,···,4，公式如下所示：[0019]fft[ac1(t)+bc2(t)+···]＝ac1(k)+bc2(k)+···[0020]式中a,b为常数，通过fft计算各个分量的频域特征。c1(k),···,c4(k)[0021]根据桁架的结构特性，选择损伤桁架结构受力时的三个位置的挠度值和四个损伤信号频域特征值共同组成动静响应相结合的桁架损伤特征向量s，表达式为：[0022]s＝{c1,c2,c3,c4,y1,y2,y3}[0023]其中c1,···,c4为四个损伤信号频域特征值，y1,···,y3为桁架结构三个位置的挠度值[0024]桁架损伤数据库优化，if异常值检测、mf数据补全，最后通过pca降维，由于人为疏忽或实验环境影响s中可能存在异常值，因此采用基于树模型异常值检测的孤立森林算法。孤立森林通过构建多个itree个体学习器，将数据样本分布中的异常数据“孤立”出来，从而对样本数据进行有效的数据异常处理。[0025]初始构建itree时，在s的n组采样数据中均匀抽样m个样本作为子样本x。在x中，随机选取单个特征维度，在这个特征的所有值范围内随机选一个值k作为节点，对样本进行划分。当t棵itree构建完成后，令x遍历每棵itree，计算每次的路径长度h(x)，h(x)为从根节点至叶子节点走过的边的数量，其中x的异常值为：[0026][0027]式中i(x,n)为每个数据样本的异常值，e(h(x))为样本x在itree中的期望路径长度。[0028][0029]式中c(n)为给定样本数n的路径长度平均值。h(n-1)为调和数。i的取值范围是0～1，其中i的取值越接近1数据被判断为异常的几率越高；i＜0.5时数据被判断为非异常；i处于0.5附近时数据被认为不具备明显的异常特征。将s中的异常值剔除，构建新的桁架损伤特征向量s1。[0030]if[s]＝s1[0031]对于s1中的缺失数据需要进行数据补全，为了避免传统数据补全方法产生较大的误差，本文采用缺失森林方法进行数据补全。缺失森林算法通过用完整部分的观测值训练出一个随机森林模型去预测缺失数据，进而进行迭代操作来处理此类缺失数据的填补问题。[0032]设定s1＝(s1,s2,···,sp)为n×p维的一个矩阵，对于任意一个含缺失数据的变量si进行缺失数据填充时，可将损伤数据集分成以下四个部分：表示si的观测值；表示si的缺失值；表示si以外的观测值；表示si以外的缺失值。由于数据缺失的随机性，并非完全已知，也并非完全缺失。[0033]首先利用均值填补或其他简单填补法对s1进行初始填补并将s1中缺失的列按缺失率从小到大重新排列，其中缺失列的指标集记作m。当不满足停止准则γ时，存储现有填补矩阵对于i∈m将训练集和放进随机森林模型中进行训练；将测试集放入模型中，预测利用得到的预测值更新填补s1,记作依次对m中其余缺失变量进行填补，直到满足停止准则γ或已到设定的最大迭代次数；最后得到最终填补矩阵，记作s2。[0034]mf[s1]＝s2[0035]由于经fft处理后得到的损伤信号频域特征分量存在较高的信息重叠，其中损伤信息和干扰信息均存在。为了消除桁架损伤数据的干扰信息，本文采用pca方法对s2进行处理，提取输入变量的主要特征信息，在考虑各影响因素的基础上优化s2。为确保数据在输入尺度上具有同等的重要性，先采用归一化方法对数据进行预处理，使损伤特征向量映射到0～1之间，标准化公式如式(9)所示：[0036][0037]其中是原始桁架损伤特征向量，是标准化后的桁架损伤特征向量，i是桁架损伤数据的样本数，j是桁架损伤数据的特征维数，n是样本数据的个数。通过求解特征方程协方差矩阵a，计算公式如下所示：[0038][0039]式中s(1)t表示s(1)的转置，协方差矩阵a的m个非负特征λk(k＝1,2,···,m)，按照从大到小的顺序排序为λ1＞λ2＞···＞λm≥0，并求解其对应的正交单位特征向量μk，则其主成分计算公式为：[0040]zk＝(μk)ts(1)[0041]其中zk表示第k个主成分(k≤m)，第k个主成分zk的贡献率计算公式为：[0042][0043]桁架结构损伤识别，首先通过梯度提升树分类模型桁架损伤位置识别，再通过梯度提升树回归模型桁架损伤程度判定。[0044]桁架结构损伤识别选择非线性逼近能力优秀、预测准确率高且训练时间短的gbdt算法进行桁架损伤识别，将处理好的数据通过gbdt算法进行损伤位置识别和损伤程度判定，gbdt算法是boosting算法的改进形式，boosting算法的工作原理是在初始阶段给各个训练样本赋予相同的权值，之后每次训练对出错的样本进行权值的增加，经过多次迭代生成相应的多个基学习器，然后对生成的多个基学习器进行组合，最终通过加权或投票的方式生成模型，梯度提升树回归与分类算法的区别是输入的训练数据是残差而非损失函数的梯度，即将上一次的预测结果带入残差中求出本轮的训练数据，梯度提升树具有处理各类数据的灵活性、超高的预测准确率和很强的鲁棒性等优点，可有效地进行分类与回归。梯度提升树回归算法首先将s3划分为训练集d和测试集t：[0045]s3＝d+t[0046]其中训练集d为{(x1,y1),(x2,y2),...,(xm,ym)}，然后初始化学习器并计算负梯度，表达式分别为：[0047][0048][0049]中l为损失函数，c为样本y的均值，t为最大迭代数。利用(xi,rti)拟合一棵分类回归树中的回归树，从而得到第t棵回归树，对应的叶节点区域为rtj(j＝1,2,...j)，其中j为回归树t的叶子节点的个数。最后求得最优拟合值并更新学习器，表达式分别为：[0050][0051][0052]梯度提升树回归与分类算法的区别是输入的训练数据是残差而非损失函数的梯度，即将上一次的预测结果带入残差中求出本轮的训练数据。梯度提升树具有处理各类数据的灵活性、超高的预测准确率和很强的鲁棒性等优点，可有效地进行分类与回归。[0053]由于桁架损伤信号是非线性的，采用emd方法对桁架损伤信号进行分解，得到多个特征imf，其中分解出的imf中同时包含了桁架损伤信号和噪声信号，通过fft特征提取后直接进行损伤识别会导致数据精准度下降从而产生误判，因此需要对桁架损伤数据集进行优化。由于桁架损伤数据的复杂程度较高，采集过程又存在环境影响和人工失误等不可抗因素，可能会导致数据存在异常值。为了减少异常值数量，采用孤立森林算法对损伤数据集进行异常值检测处理，将损伤数据集中的异常值剔除。通过孤立森林算法剔除异常值后，桁架损伤数据集存在缺失数据，采用缺失森林算法进行数据补全。pca能够优化桁架损伤数据，提取主要损伤特征向量。[0054]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!