基于数字孪生与特征迁移的结构损伤识别方法

本发明属于结构损伤识别，尤其涉及一种基于数字孪生与特征迁移的结构损伤识别方法、设备、存储介质及产品。

背景技术：

1、现有的结构健康监测技术主要依赖于传感器数据的采集和分析，通过振动信号、应变数据等进行结构损伤识别。然而，传统的方法通常需要大量的标注数据进行训练，数据采集成本高且数据质量不稳定，容易受到环境噪声的干扰。随着数字孪生技术的快速发展，通过构建虚拟的数字模型来模拟和监测物理结构的状态，为结构健康监测提供了一种新的方法。同时，迁移学习作为一种机器学习技术，可以利用已经训练好的模型知识对新任务进行快速适应和优化，从而减少对大量标注数据的依赖，提高模型的泛化能力和准确性。

2、桥梁作为交通基础设施的重要组成部分，其健康状况直接关系到公共安全和经济发展。随着桥梁使用年限的增加，材料老化、疲劳损伤等问题逐渐显现，对桥梁结构进行高效、准确的损伤检测成为亟待解决的技术难题。目前，传统的桥梁结构损伤检测方法主要依赖于人工巡检和简易监测设备，这些方法存在以下不足：

3、(1)检测精度低：人工巡检容易受限于检测人员的经验和主观判断，导致漏检和误判；

4、(2)效率低：人工巡检耗时长，难以实现对桥梁结构的实时监测和快速响应；

5、(3)数据不足：传统方法难以获取足够的损伤样本数据，影响了检测模型的训练效果和准确性；

6、(4)计算资源需求高：有限元模型的建立和仿真计算需要大量的专业知识和计算资源，增加了检测系统的复杂性和成本。

技术实现思路

1、本发明的目的在于提供一种基于数字孪生与特征迁移的结构损伤识别方法，以解决传统方法中损伤样本数据采集成本高，损伤样本数据不足导致准确性降低，以及利用有限元模型获取样本数据对计算资源需求高的问题中的至少一个。

2、本发明是通过如下的技术方案来解决上述技术问题的：一种基于数字孪生与特征迁移的结构损伤识别方法，包括：

3、构建源域数据集和目标域数据集；其中，所述源域数据集中的每个样本包括结构的第一时频图像及其损伤类型，所述目标域数据集中的每个样本包括结构的第二时频图像及其损伤类型，所述第一时频图像和第二时频图像均是由结构的加速度响应信号转换得到的；所述源域数据集是利用结构的数字孪生模型来构建的；

4、对每张所述第一时频图像进行特征提取，得到第一特征向量；对所有第一特征向量进行组合，得到第一特征矩阵；对每张所述第二时频图像进行特征提取，得到第二特征向量；对所有第二特征向量进行组合，得到第二特征矩阵；

5、对所述第一特征矩阵与所述第二特征矩阵进行拼接，得到联合特征矩阵；

6、对所述联合特征矩阵进行迁移成分分析，得到公共特征空间的源域特征向量和目标域特征向量；

7、构建损伤识别模型，利用所述源域特征向量和源域数据集的损伤类型对所述损伤识别模型进行有监督训练；

8、利用所述目标域特征向量对有监督训练后的损伤识别模型进行无监督训练；

9、利用所述目标域特征向量和目标域数据集的损伤类型对无监督训练后的损伤识别模型进行性能评估，得到目标识别模型。

10、进一步地，利用结构的数字孪生模型来构建源域数据集，包括：

11、步骤a1：构建结构的参数化有限元模型；

12、步骤a2：对所述参数化有限元模型进行动力学分析，导出inp文件；

13、步骤a3：利用python脚本打开所述inp文件，并解析所述inp文件中的单元集合及其材料属性；

14、步骤a4：根据结构的不同损伤类型修改单元集合的材料属性，实现不同损伤位置的材料属性更新，得到不同损伤类型的inp文件；

15、步骤a5：利用subprocess模块对不同损伤类型的inp文件执行abaqus仿真计算，得到不同损伤类型的odb结果文件；

16、步骤a6：利用python脚本打开不同损伤类型的odb结果文件，从不同损伤类型的odb结果文件中提取结构节点的加速度响应信号，得到不同损伤类型下的加速度响应信号；

17、步骤a7：将不同损伤类型下的加速度响应信号转换为图像，得到不同损伤类型下的第一时频图像；

18、步骤a8：根据不同损伤类型下的第一时频图像构建源域数据集。

19、进一步地，采用谱马尔可夫转移场将结构的加速度响应信号转换为第一时频图像或第二时频图像，包括：

20、计算所述加速度响应信号的频谱信号，计算公式为：

21、

22、其中，s(k)表示频谱信号中的第k个分量，x(i)表示加速度响应信号中的第i个采样点的值，n表示加速度响应信号的采样点数量，abs()表示求模值函数，j表示虚数单位；

23、对所述频谱信号中的每个分量进行归一化处理，得到频谱信号的归一化分量；

24、对幅值集合的取值范围进行均匀划分，得到q个子区间；其中，所述幅值集合包括频谱信号的所有归一化分量的幅值；

25、将所述幅值集合中的每个幅值映射到子区间；其中，具体映射公式为：

26、

27、其中，ak表示幅值集合中的第k个幅值，qj表示第j个子区间，argminj表示求使得函数达到最小值的j；

28、根据每个幅值从当前子区间转移到其他子区间的概率生成谱马尔可夫转移场矩阵；

29、将所述谱马尔可夫转移场矩阵转换为二维图像，得到第一时频图像或第二时频图像。

30、进一步地，利用预训练的卷积神经网络模型对所述第一时频图像和第二时频图像进行特征提取；其中，所述预训练的卷积神经网络模型不包含全连接层。

31、进一步地，对所述联合特征矩阵进行迁移成分分析，包括：

32、根据所述联合特征矩阵构建联合高斯核矩阵，具体公式为：

33、

34、其中，kij表示联合高斯核矩阵中第i行第j列的元素；xi、xj表示联合特征矩阵中的两个特征向量；σ表示高斯核函数的带宽；

35、根据所述联合高斯核矩阵构建联合中心化核矩阵，具体公式为：

36、

37、其中，kc表示联合中心化核矩阵；k表示联合高斯核矩阵；h表示中心化矩阵；i、1均表示全1矩阵；ns表示源域数据集的样本数量，nt表示目标域数据集的样本数量；

38、构建最大均值差异矩阵，所述最大均值差异矩阵表示为：

39、

40、其中，m表示最大均值差异矩阵；1a×b表示大小为a×b的全1矩阵；

41、根据所述联合中心化核矩阵和最大均值差异矩阵构建目标函数；其中，所述目标函数的表达式为：

42、

43、其中，a表示投影矩阵，上标t表示转置，λ表示正则化参数，tr()表示矩阵的迹；表示求解最优的投影矩阵使得源域与目标域在公共特征空间的分布差异最小；

44、求解所述目标函数，得到投影矩阵；

45、根据第一特征矩阵和联合特征矩阵构建第一中心化核矩阵，根据所述第一中心化核矩阵和投影矩阵得到源域特征向量；

46、根据第二特征矩阵和联合特征矩阵构建第二中心化核矩阵，根据所述第二中心化核矩阵和投影矩阵得到目标域特征向量。

47、进一步地，采用广义特征值分解求解所述目标函数，包括：

48、将所述目标函数转换为广义特征值问题：

49、(kcmkc+λkc)a＝kcaλ；

50、其中，λ表示特征值对角矩阵，特征值对角矩阵包含前k个最小特征值；

51、选取最小特征值所对应的特征向量作为投影矩阵的列向量，得到投影矩阵。

52、进一步地，所述识别方法还包括：

53、获取结构的实时加速度响应信号，将所述实时加速度响应信号转换为时频图像；

54、利用所述目标识别模型对所述时频图像进行在线损伤识别。

55、基于同一构思，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序/指令，所述处理器执行所述计算机程序/指令以实现如上所述的结构损伤识别方法。

56、基于同一构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如上所述的结构损伤识别方法。

57、基于同一构思，本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上所述的结构损伤识别方法。

58、有益效果

59、与现有技术相比，本发明的优点在于：

60、本发明利用数字孪生技术生成大量的不同损伤类型下的加速度响应信号，进而构建源域数据集，减少了对大量实际标注数据的依赖，确保了模型的准确性，解决了损伤样本数据采集成本高、损伤样本数据不足导致模型准确性降低以及利用有限元模型获取样本数据对计算资源需求高的问题。

61、通过特征迁移成分分析将大量的源域数据和有限的目标域数据映射到公共特征空间，使公共特征空间的源域特征与目标域特征的分布差异最小，有效提升了识别模型在新任务中的适应性和性能，提高了模型的准确性和鲁棒性，特别适用于目标域数据有限的场景。