(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210608594.9 (22)申请日 2022.05.31 (71)申请人 湖南工商大 学 地址 410000 湖南省长 沙市岳麓区岳麓 大 道569号 (72)发明人 张健　董倩　陈建文　姜永滚　 欧阳彬　 (74)专利代理 机构 深圳市智胜联合知识产权代 理有限公司 4 4368 专利代理师 王月 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种斜拉索损伤程度识别方法及模型构建 方法 (57)摘要 本发明实施例提供了一种斜拉索损伤程度 识别方法及模 型构建方法， 通过 获取目标斜拉桥 中各斜拉索 的位置信息和所述目标斜拉桥的状 况数据； 其中， 所述状况数据包括所述目标斜拉 桥中各斜拉索 的加速度数据和与所述加速度数 据对应的所述目标斜拉桥的工况数据； 对所述加 速度数据进行归一化生成相对应的特征矩阵； 依 据所述各斜拉桥的位置信息建立邻接矩阵； 依据 所述特征矩阵、 与所述加速度数据对应的所述目 标斜拉桥的工况数据和所述邻接矩 阵构建图神 经网络与门控循环单元相结合的神经网络模型。 本申请提出的神经网络模型能够充分利用斜拉 索之间的关联性， 并较好地保留节点自身的信 息， 实现全局 和局部的完 美结合。 权利要求书2页 说明书16页 附图4页 CN 114969934 A 2022.08.30 CN 114969934 A 1.一种斜拉索损伤程度识别模型构建方法， 所述方法用于构建目标斜拉桥上斜拉索的 损伤程度识别模型， 其特 征在于， 包括： 获取目标斜拉桥中各斜拉索的位置信息和所述目标斜拉桥的状况数据； 其中， 所述状 况数据包括所述目标斜拉桥中各斜拉索的加速度数据和与所述加速度数据对应的所述目 标斜拉桥的工况 数据； 对所述加速度数据进行归一 化生成相对应的特 征矩阵； 依据所述各斜拉桥的位置信息建立邻接矩阵； 依据所述特征矩阵、 与所述加速度 数据对应的所述目标斜拉桥的工况数据和所述邻 接 矩阵构建图神经网络与门控循环单 元相结合的神经网络模型。 2.根据权利要求1所述的斜拉索损伤程度识别模型构建方法， 其特征在于， 所述对所述 加速度数据进行归一 化生成相对应的特 征矩阵的步骤， 包括： 筛选出所述加速度数据中数值 最大的加速度和数值 最小的加速度； 依据所述数值最大的加速度、 所述数值最小的加速度和各斜拉索的加速度数据生成相 对应各斜拉索的归一加速度； 依据所述各斜拉索的归一加速度构建所述相对应的特 征矩阵。 3.根据权利要求1所述的斜拉索损伤程度识别模型构建方法， 其特征在于， 所述依据 所 述各斜拉桥的位置信息建立邻接矩阵的步骤， 包括： 依据所述各斜拉索的位置信 息对各所述斜拉索进行编 号， 并依据 所述编号建立所述斜 拉索与斜拉索之间的关联强度； 依据所述 斜拉索与斜拉索之间的关联强度建立所述邻接矩阵。 4.根据权利要求3所述的斜拉索损伤程度识别模型构建方法， 其特征在于， 所述依据 所 述编号建立所述 斜拉索与斜拉索之间的关联强度的步骤， 包括： 将斜拉索之间的编号差值在预设阈值内的斜拉索设置为关联关系； 将斜拉索之间的编号差值 不在预设阈值内的斜拉索设置为 不关联关系； 依据所述关联关系和所述 不关联关系生成所述 斜拉索与斜拉索之间的关联强度。 5.根据权利要求1所述的斜拉索损伤程度识别模型构建方法， 其特征在于， 所述依据 所 述特征矩阵、 与所述加速度数据对应的所述目标斜拉桥的工况数据和所述邻接矩阵构建图 神经网络与门控循环单 元相结合的神经网络模型的步骤， 包括： 设置模型参数学习率和最大迭代次数， 将所述特征矩阵、 与所述加速度数据对应的所 述目标斜拉桥的工况数据和所述邻接矩阵构建图神经网络与门控循环单元相结合的神经 网络模型。 6.一种斜拉索损伤程度识别方法， 所述方法用于目标斜拉桥上斜拉索的损伤程度识 别， 其特征在于， 包括： 获取目标斜拉桥中各斜拉索的实际位置信息和所述目标斜拉桥的实际状况数据； 其 中， 所述实际状况 数据包括所述目标斜拉桥中各斜拉索的实际加速度数据； 对所述斜拉索的实际加速度数据进行归一 化生成实际特 征矩阵； 依据所述各斜拉索的实际位置信息建立实际邻接矩阵； 依据所述实际特征矩阵和所述实际邻接矩阵输入神经网络模型生成目标斜拉桥的各 斜拉索的损失程度。权　利　要　求　书 1/2 页 2 CN 114969934 A 27.根据权利要求6所述的斜拉索损伤程度识别方法， 其特征在于， 所述神经网络包括三 个串联的第一神经网络构成， 所述依据所述 实际特征矩阵和所述 实际邻接矩阵输入神经网 络模型生成各斜拉索的损伤的步骤， 包括： 将所述实际特征矩阵和所述实际邻接矩阵输入所述第一神经网络模型生成第一特征 矩阵； 将所述第一特征矩阵和所述实际邻接矩阵输入所述第一神经网络模型生成第二特征 矩阵； 将所述第二特征矩阵和所述实际邻接矩阵输入所述第一神经网络模型生成第三特征 矩阵； 依据所述第三特 征矩阵生成目标斜拉桥的各斜拉索的损失程度。 8.根据权利要求7所述的斜拉索损伤程度识别方法， 其特征在于， 所述第 一神经网络模 型包括图神经网络和门控循环单元， 所述将所述 实际特征矩阵和所述实际邻接矩阵输入所 述第一神经网络模型生成第一特 征矩阵的步骤， 包括： 将所述实际特征矩阵和所述实际邻接矩阵输入所述图神经网络进行特征提取生成隐 藏层特征； 将所述隐藏层特征和所述实际特征矩阵输入所述门控循环单元生成所述第一特征矩 阵。 9.一种斜拉索损伤程度识别模型构建装置， 所述装置用于构建目标斜拉桥上斜拉索的 损伤程度识别模型， 其特 征在于， 包括： 数据模块， 用于获取目标斜拉桥中各斜拉索的位置信息和所述目标斜拉桥的状况数 据； 其中， 所述状况数据包括所述 目标斜拉桥中各斜拉索的加速度数据和与所述加速度数 据对应的所述目标斜拉桥的工况 数据； 特征矩阵模块， 用于对所述加速度数据进行归一 化生成相对应的特 征矩阵； 邻接矩阵模块， 用于依据所述各斜拉桥的位置信息建立邻接矩阵； 神经网络模型模块， 用于依据所述特征矩阵、 与所述加速度数据对应的所述目标斜拉 桥的工况 数据和所述邻接矩阵构建图神经网络与门控循环单 元相结合的神经网络模型。 10.一种斜拉索损伤程度识别装置， 所述装置用于目标斜拉桥上斜拉索的损伤程度识 别， 其特征在于， 包括： 实际数据模块， 用于获取目标斜拉桥中各斜拉索的实际位置信 息和所述目标斜拉桥的 实际状况数据； 其中， 所述实际状况数据包括所述 目标斜拉桥中各斜拉索的实际加速度数 据； 实际特征矩阵模块， 用于对所述斜拉索的实际加速度数据进行归一化生成实际特征矩 阵； 实际邻接矩阵模块， 用于依据所述各斜拉索的实际位置信息建立实际邻接矩阵； 损失程度模块， 用于依据所述实际特征矩阵和所述实际邻 接矩阵输入神经网络模型生 成目标斜拉桥的各斜拉索的损失程度。权　利　要　求　书 2/2 页 3 CN 114969934 A 3