基于CNN-GRU并联网络的海上风电支撑结构损伤识别

利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU)神经网络并联网络的结构损伤识别新方法。首先,对响应信号进行广义S变换(generalized S-transform,GST)得到其时频图像。然后,分别利用CNN和GRU从时频图像和响应信号中提取时频域特征和时序特征,并将时频域特征和时序特征拼接后输入全连接层和Softmax分类器中进行结构损伤识别。位移激励下的海上风电支撑结构模型试验数据验证结果表明,该方法仅需要一个测点的响应信号,与其他同类方法相比具有更高的识别准确率和效率。

基于广义S变换和并联神经网络的结构损伤识别研究

目前在利用CNN网络提取特征的结构损伤识别研究中,仅仅利用1D-CNN和2D-CNN提取的特征进行损伤识别存在准确率低、识别效率不高等问题。提出了一种基于广义S变换和并联神经网络的结构损伤识别方法。为了丰富输入信号的特征维度,利用广义S变换将滤波后的信号转化成时频图,并同时将一维加速度响应信号和二维时频图分别输入1D-CNN和2D-CNN中进行时域和时频域特征提取,并在汇聚层进行特征拼接,然后通过FC层和Softmax层对损伤识别结果进行分类。利用IASC-ASCE SHM Benchmark结构第二阶段试验数据对所提出的并联网络模型进行验证,结果表明,所提出的网络模型与其他同类方法相比具有更高的识别精度和识别效率。