CN119179879B 一种智能化结构损伤检测方法及系统 （青岛海川建设集团有限公司）

述结构损伤识别结果，利用增量式迁移学习网2获取多个结构传感器监测数据，并对多个结构传感基于监测结构所处环境，对预先设定的环境条件指标进行自适根据所述监测融合数据和所述环境特征提取参数，利用预先训练的多所述多阶段深度学习模型具备三个阶段，分别为环境感知调所述环境感知调整阶段利用环境特征提取参数对监测融合数据进行;所述深度卷积神经网络阶段包含多个卷积层，每个卷积层使用一;;所述残差网络融合阶段采用残差网络，将所述环境感知调整;在对多个结构传感器监测数据进行多维融合处理之前，3;感器监测数据重要性预先设定的权重参数，是对第i种结构传感器数据应用的预处;;所述增量式学习预处理层用于对所述结构损伤识别结果非线性变换，调;所述自适应迁移学习层用于利用预先设定的自适应权重参数对增量式学习预处理层4;;式中，表示更新后的增量式迁移学习网络模型参数，O.a表示更新前的模型参所述全连接层用于根据更新后的增量式迁移学习网络模型参数;数据采集处理模块，用于获取多个结构传感器监测数据，并环境特征提取模块，用于基于监测结构所处环境，对预结构损伤识别模块，用于根据所述监测融合数据和所述所述多阶段深度学习模型具备三个阶段，分别为环境感知调所述环境感知调整阶段利用环境特征提取参数对监测融合数据进行;5所述深度卷积神经网络阶段包含多个卷积层，每个卷积层使用一;;所述残差网络融合阶段采用残差网络，将所述环境感知调整;6[0002]在现代工程管理和安全监控领域，及时准确地识别和评估结构损伤是至关重要[0010]获取多个结构传感器监测数据，并对多个结构传感器监测数据进行多维融合处7多维数据融合函数，是根据每种结构传感器监测数据重要性预先设定的权重参数，和用于调整光照强度和背景噪声级别以及温度对环境条件指标的贡献，是光照强度β8示调节深度卷积神经网络输出中稀疏性处理部分影响[0028]所述自适应迁移学习层用于利用预先设定的自适应权重参数对增量式学习预处参数；n是学习率，控制更新步长的大小；vgL(Rm,Y)表示损失函数L关于模型参数的梯9和用于调整光照强度和背景噪声级别以及温度对环境条件指标的贡献，是光照强度β计算公式为：式中，R3表示调节深度卷积神经网络输出中稀疏性处理部分影响力[0052]所述自适应迁移学习层用于利用预先设定的自适应权重参数对增量式学习预处为：式中，onew表示更新后的增量式迁移学习网络模型参数，O.a表示更新前的模型参数；n是学习率，控制更新步长伤识别的准确性和可靠性；引入环境条件指标并根据这一指标自适应调整特征提取参数，[0081]为了统一收集到的多源数据的格式和尺度，对每种类型[0085]将融合后的数据Dsion以及根据环境条件指标调整后的特征提取参数T(E)输入网络层的处理策略。所述环境感知调整层利用特征提取参数对融合后的数据进行增强处使用一组滤波器来提取第一阶段输出的特征。将第一阶段的输出输入到第一个卷积层[0089]第三阶段进一步处理第一阶段和第二阶段的输出，进一输出与损伤识别结果之间的线性关系强度的参数，p2是调节深度卷积神经网络模型输出离等则每种损伤类型都会有一个相应的概率值。[0092]在增量式学习预处理层，考虑到从多个传感器系统收集的快速适应和对已知损伤类型的精确识别。采用一种复合的权重调整和层间动态链接方其中，表示自适应迁移学习损伤识别结果中提炼和优化得到的，旨在更好地捕捉损伤法用于特征向量的逐元素加权。制更新步长的大小，vgL(Rm,Y)表示损失函数关于模型参数的梯计算机程序被处理器执行时以实现上述方法实施机程序被处理器执行时实现上述方法实施例中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包括