振动与冲击

作者：苏亮，宋明亮，董石麟

单位：浙江大学 建筑工程学院，浙江 杭州 310058

关键词：自动识别；卷积神经网络；稳定图；虚假模态；模态参数；深度学习

提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的稳定图自动分析方法。在获得不同结构的稳定图之后，按照各自的频率识别精度要求，将稳定图均分成若干个频带，得到单一模态稳定图作为CNN训练样本。然后,通过平移、改变稳定点标记等技术手段对样本进行扩充,再将预处理好的训练样本代入CNN，通过跟踪损失函数在训练过程中变化规律，对如学习率等CNN参数进行调优，最终得到可自动判别稳定图中虚假模态的CNN。以3自由度弹簧质量数值模型、7自由度弹簧质量数值模型、以及一座钢筋混凝土框架结构大楼、瑞士Z24桥加速度实测数据验证了所搭建CNN模型的有效性。训练和预测结果表明，搭建的CNN亦可用于其他一般结构的稳定图自动分析，具有一定的通用性。在无需人为提取任何特征参数，也无需设定任何阈值的情况下，即可自动且准确、快速地剔除稳定图上的虚假模态。<br>

来源：2018年第18期

《振动与冲击》期刊编辑部

查看振动与冲击杂志2018年第18期