一种斜拉桥基于海量数据的损伤识别方法及装置

1.一种斜拉桥基于海量数据的损伤识别方法，其特征在于，所述方法的内容包括：S1:构建斜拉桥基准有限元模型；S2:根据所述基准有限元模型采集多种损伤工况下的结构动力响应数据；S3:提出了一种改进的完全自适应噪声集合经验模态分解算法ICEEMDAN对所述结构动力响应数据进行分解得到IMF分量，其中，所述分解算法ICEEMDAN通过标准差反馈机制动态调整噪声水平，其中，所述分解算法ICEEMDAN，包括：S3.1.1将初始噪声水平加入原始数据中，得到带噪数据，公式如下：其中：x(t)为原始信号； 为原始噪声水平；N 0 (t)为高斯白噪声序列；S3.1.2:使用EMD对带噪声的数据进行分解，得到第1个残差信号，公式如下：R 1 ＝<M(x i )>  (2)其中：<·>为整体的平均值；M(·)为输入信号的局部均值；S3.1.3:计算第一个与原始数据之间的误差，公式如下：其中： 为IMF 1 分量的标准差；σ x 为原始数据的标准差；E 1 为误差；S3.1.4:根据误差E 1 ，使用非线性策略更新噪声水平公式如下：其中： 为第一次更新后的噪声水平；β为噪声调整的控制系数；S3.1.5:从原始信号中去除第一个IMF分量得到剩余信号公式如下：x 1 (t)＝x(t)-IMF 1 (t)  (7)S3.1.6:对剩余信号加入更新后的噪声，计算公式如下：其中：N 1 (t)为新的一组高斯白噪声；S3.1.7:对新的带噪信号进行EMD分解，提取第二阶固有模态函数；S3.1.8:重复上述计算对剩余信号继续加入噪声，进行EMD分解，提取后续的IMF分量，并在每一轮迭代后计算误差并调整噪声水平：其中： 为第n+1更新后的噪声水平；E n 为第n时的误差；β为噪声调整的控制系数；S4:对所述IMF分量创新的进行Hurst指数筛选，选择满足Hurst指数H>0.5H>0.5且重构误差MSE<0.0003MSE<0.0003的目标IMF分量；S5:构建并训练一维卷积神经网络模型，将所述目标IMF分量输入训练好的一维卷积神经网络模型模型，输出损伤位置和损伤程度的识别结果，其中，所述一维卷积神经网络模型包括前导卷积层组、中级特征层组、深度抽象层组和分类输出层。 2.根据权利要求1所述的斜拉桥基于海量数据的损伤识别方法，其特征在于，所述Hurst指数计算包括：S4.1.1:对给定时间序列x(t)进行预处理，得到处理的序列，公式如下：其中：x为时间序列的均值；S4.1.2:利用最小二乘法非线性拟合得到各个序列的局部趋势项，公式如下：其中：a n 为拟合多项式系数；S4.1.3:利用局部趋势项y m (k)计算时间序列的二阶波动函数，函数如下：F q (n)∝n α (13)其中：α为Hurst指数；S4.1.4:计算拟合曲线的斜率即得到Hurst指数，公式如下：S4.1.5:通过计算各个IMF分量的Hurst指数可以有效选取IMF分量，MSE计算公式为：其中：x(t)为原始信号； 为重构信号。 3.根据权利要求1所述的斜拉桥基于海量数据的损伤识别方法，其特征在于，所述一维卷积神经网络模型包括：S5.1.1:输入层接收6000维时序信号；S5.1.2:第一卷积层使用16个尺寸8的卷积核，步长2；S5.1.3:第二池化层采用最大池化，池化尺寸2；S5.1.4:深层卷积层使用512个尺寸2的卷积核；S5.1.5:全局平均池化层连接512节点全连接层；S5.1.6:Dropout层设置0.3的丢弃率；S5.1.7:输出层采用Softmax激活函数。 4.根据权利要求1所述的斜拉桥基于海量数据的损伤识别方法，其特征在于，提出了一种改进的完全自适应噪声集合经验模态分解算法ICEEMDAN对所述结构动力响应数据进行分解获得IMF分量前，还包括：S3.2.1:对原始应力响应信号x(t)添加高斯白噪声构建含噪信号：x_noise(t)＝x(t)+ησ_xξ(t)(16)其中，σ_x为信号标准差，η∈{5％,10％,15％}为噪声强度系数，ξ(t)为标准正态分布随机数。 5.根据权利要求1所述的斜拉桥基于海量数据的损伤识别方法，其特征在于，所述多种损伤工况采用多标签分类策略，其中，所述多标签分类策略包括无损状态编码、单损伤工况和多损伤工况，包括：S5.2.1:将无损状态编码为类别0，对应无损伤工况；S5.2.2:单损伤工况按损伤因子分级编码：测点3的0.05/0.10/0.15损伤因子分别对应类别1-3，测点8的同级损伤因子对应类别4-6；S5.2.3:多损伤工况编码规则：测点3和11组合损伤时，0.05/0.10/0.15损伤因子分别对应类别7-9；S5.2.4:所述一维卷积神经网络输出层设置10个神经元，分别对应0-9类损伤工况的概率分布。 6.一种斜拉桥基于海量数据的损伤识别装置，其特征在于，包括：建模模块，S1:构建斜拉桥基准有限元模型；数据采集模块，S2:根据所述基准有限元模型采集多种损伤工况下的结构动力响应数据；信号分解模块，S3:提出了一种改进的完全自适应噪声集合经验模态分解算法ICEEMDAN对所述结构动力响应数据进行分解得到IMF分量，其中，所述分解算法ICEEMDAN体现在通过标准差反馈机制动态调整噪声水平，其中，所述分解算法ICEEMDAN，包括：S3.1.1将初始噪声水平加入原始数据中，得到带噪数据，公式如下：其中：x(t)为原始信号； 为原始噪声水平；N 0 (t)为高斯白噪声序列；S3.1.2:使用EMD对带噪声的数据进行分解，得到第1个残差信号，公式如下：R 1 ＝<M(x i )>  (2)其中：<·>为整体的平均值；M(·)为输入信号的局部均值；S3.1.3:计算第一个与原始数据之间的误差，公式如下：其中： 为IMF 1 分量的标准差；σ x 为原始数据的标准差；E 1 为误差；S3.1.4:根据误差E 1 ，使用非线性策略更新噪声水平公式如下：其中： 为第一次更新后的噪声水平；β为噪声调整的控制系数；S3.1.5:从原始信号中去除第一个IMF分量得到剩余信号公式如下：x 1 (t)＝x(t)-IMF 1 (t)  (7)S3.1.6:对剩余信号加入更新后的噪声，计算公式如下：其中：N 1 (t)为新的一组高斯白噪声；S3.1.7:对新的带噪信号进行EMD分解，提取第二阶固有模态函数；S3.1.8:重复上述计算对剩余信号继续加入噪声，进行EMD分解，提取后续的IMF分量，并在每一轮迭代后计算误差并调整噪声水平：其中： 为第n+1更新后的噪声水平；E n 为第n时的误差；β为噪声调整的控制系数；特征筛选模块，S4:对所述IMF分量创新的进行Hurst指数筛选，选择满足Hurst指数H>0.5H>0.5且重构误差MSE<0.0003MSE<0.0003的目标IMF分量；网络构建模块，S5:构建并训练一维卷积神经网络模型，将所述目标IMF分量输入训练好的一维卷积神经网络模型模型，输出损伤位置和损伤程度的识别结果，其中，所述一维卷积神经网络模型包括前导卷积层组、中级特征层组、深度抽象层组和分类输出层。 7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现权利要求1-5任一项所述的斜拉桥基于海量数据的损伤识别方法。 8.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-5任一项所述的斜拉桥基于海量数据的损伤识别方法。 9.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-5任一项所述的斜拉桥基于海量数据的损伤识别方法。