为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状...为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状态与完整状态下混凝土结构的压电信号进行采集,并将采集的信号进行分类处理;其次,对上述采集的压电信号进行滤波处理,并对K-SVD字典学习滤波结果与未滤波结果进行对比分析,评价K-SVD字典学习滤波方法的适用性;最后,利用残差卷积神经网络(residual network,ResNet)对滤波后的压电信号进行分类识别。结果表明:利用基于K-SVD字典学习与ResNet模型,能够稳定地识别混凝土结构内部损伤的压电信号;训练集与测试集的损伤信号识别准确率分别为93.25%与92.38%,无损信号的识别准确率分别为95.41%与94.67%,相较于未滤波的采集信号,其准确率提升了10个百分点以上;利用K-SVD字典学习与ResNet对混凝土结构损伤进行有效识别,实现了对混凝土结构内部损伤区域的定位。研究结果可为混凝土结构健康监测的数据处理提供一种新的思路。展开更多
文摘为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状态与完整状态下混凝土结构的压电信号进行采集,并将采集的信号进行分类处理;其次,对上述采集的压电信号进行滤波处理,并对K-SVD字典学习滤波结果与未滤波结果进行对比分析,评价K-SVD字典学习滤波方法的适用性;最后,利用残差卷积神经网络(residual network,ResNet)对滤波后的压电信号进行分类识别。结果表明:利用基于K-SVD字典学习与ResNet模型,能够稳定地识别混凝土结构内部损伤的压电信号;训练集与测试集的损伤信号识别准确率分别为93.25%与92.38%,无损信号的识别准确率分别为95.41%与94.67%,相较于未滤波的采集信号,其准确率提升了10个百分点以上;利用K-SVD字典学习与ResNet对混凝土结构损伤进行有效识别,实现了对混凝土结构内部损伤区域的定位。研究结果可为混凝土结构健康监测的数据处理提供一种新的思路。
