基于决策融合的结构损伤识别方法、设备、介质及产品

本发明属于结构损伤识别，尤其涉及一种基于决策融合的结构损伤识别方法、设备、存储介质及产品。

背景技术：

1、在现代结构健康监测(shm)和故障诊断领域，尤其是涉及复杂结构，例如斜拉桥的健康监测时，振动信号的采集和分析是至关重要的。随着多传感器技术的广泛应用，如何将多维度的传感器数据进行有效的融合，已成为提升监测精度的关键挑战。

2、传统的诊断方法通常依赖于单一传感器信号，然而，由于环境噪声、传感器故障等原因，单一传感器的数据可能不够可靠，进而影响诊断结果的准确性。

3、在多传感器数据融合中，通常采用固定加权或平均投票决策融合方法，这些融合方法难以充分利用不同传感器的优势，尤其是某些传感器表现优异时，这些融合方法无法有效突出其贡献，导致诊断精度下降。

4、上述方法在面对复杂多变的工作环境时，常常表现出较大的局限性，难以应对多种复杂工况的精确诊断。如何有效融合来自多个传感器的数据，精确识别结构的损伤情况，仍然是一个挑战。

技术实现思路

1、本发明的目的在于提供一种基于决策融合的结构损伤识别方法、设备、介质及产品，以解决传统方法依赖于单一传感器导致识别结果准确性低的问题，以及传统融合方法难以充分利用不同传感器的优势导致识别精度下降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：一种基于决策融合的结构损伤识别方法，包括：

3、构建多个样本数据集，将每个所述样本数据集划分为训练集和验证集；其中，每个样本数据集与一个用于采集结构的加速度响应信号的传感器对应，每个样本数据集中的每个样本包括结构图像及其损伤类别，所述结构图像是根据对应传感器采集的结构的加速度响应信号所生成的图像；

4、加载多个损伤识别模型；其中，每个损伤识别模型对应一个样本数据集；

5、利用每个样本数据集的训练集对对应的损伤识别模型进行训练，得到目标模型；利用所述目标模型对所述样本数据集的验证集进行损伤识别；根据损伤识别结果计算所述目标模型在所述样本数据集的验证集上的识别准确率；

6、根据每个目标模型在对应样本数据集的验证集上的识别准确率计算对应目标模型的权重；

7、对于待识别的结构图像，利用每个目标模型对所述待识别的结构图像进行损伤识别；

8、根据每个目标模型对所述待识别的结构图像的损伤识别结果和每个目标模型的权重计算每个损伤类别的评分，以最高评分所对应的损伤类别作为所述待识别的结构图像的最终损伤类别。

9、进一步地，根据传感器采集的结构的加速度响应信号，采用谱马尔可夫转移场生成结构图像，包括：

10、计算所述加速度响应信号的频谱信号，计算公式为：

11、

12、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；

13、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；

14、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；

15、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：

16、

17、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；

18、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；

19、将所述谱马尔可夫转移场矩阵转换为二维图像，得到结构图像。

20、进一步地，所述损伤识别模型选用预训练的resnet-34模型，所述resnet-34模型包括依次连接的输入层、卷积层、最大池化层、第一残差层、第二残差层、第三残差层、第四残差层、平均池化层和全连接层。

21、进一步地，所述卷积层包括64个大小为7×7的卷积核，步长为2；所述最大池化层的池化核大小为3×3，步长为2；所述第一残差层包括3个残差块，所述第二残差层包括4个残差块，所述第三残差层包括6个残差块，所述第四残差层包括3个残差块，每个残差块包括2个3×3卷积核；所述平均池化层的池化核大小为7×7。

22、进一步地，利用每个样本数据集的训练集对对应的损伤识别模型进行训练，包括：

23、冻结resnet-34模型的卷积层、第一残差层和第二残差层，利用样本数据集的训练集对resnet-34模型的第三残差层、第四残差层和全连接层进行一次训练，得到一次训练后的resnet-34模型；

24、利用样本数据集的训练集对整个一次训练后的resnet-34模型进行二次训练，得到目标模型。

25、进一步地，每个目标模型的权重的计算公式为：

26、

27、其中，wi表示第i个目标模型的权重，acci表示第i个目标模型在第i个样本数据集的验证集上的识别准确率，di表示设定的分布指数，n表示目标模型数量或样本数据集数量。

28、进一步地，每个损伤类别的评分的计算公式为：

29、

30、

31、其中，sco_g_xt表示待识别的结构图像xt属于第g个损伤类别的评分，wi表示第i个目标模型的权重，n表示目标模型数量，ri(xt)表示第i个目标模型对待识别的结构图像xt的损伤识别结果，p(ri(xt),g)表示第i个目标模型对待识别的结构图像xt的损伤识别结果为第g个损伤类别的概率，c表示损伤类别的数量。

32、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。

33、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。

34、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。

35、有益效果

36、与现有技术相比，本发明的优点在于：

37、本发明在对多个目标模型的损伤识别结果进行融合时，引入权重的动态分配机制，能够根据实际情况调整各目标模型的贡献，确保表现优异的损伤识别结果在决策过程中占据更重要的位置，在提高识别准确性的同时，提高了对不同应用场景的适应能力，解决了依赖于单一传感器导致识别结果准确性低，以及传统融合方法难以充分利用不同传感器的优势导致识别精度下降的问题。

38、本发明采用谱马尔可夫转移场将一维时间序列信号转换为二维时频图像，谱马尔可夫转移场能够更好地保留信号的时间依赖性和非线性特征，使得在后续的图像识别中，模型能够更全面地捕捉和提取关键特征；谱马尔可夫转移场结合了频域分析，在频域上计算转移概率，这使得谱马尔可夫转移场不仅能够捕捉信号在时间域上的动态，还能捕捉频率成分的变化特征，对于处理包含周期性或复杂频谱特征的信号有重大作用。