基于一维卷积神经网络的结构损伤识别

传统结构损伤识别需对采集数据进行分析,提取相应特征进行损伤诊断。特征提取过程需消耗大量的计算成本,无法满足结构健康监测在线损伤识别的需求。为提高损伤识别的计算效率和自动化程度,提出基于一维卷积神经网络的结构损伤识别方法,其特点是可以直接从原始振动信号中自主学习损伤特征,并准确快速地识别结构的损伤位置和损伤程度。采用简支梁数值模型和IABMAS BHM Benchmark数值模型验证所提方法的有效性。数值结果表明:所建立的一维卷积神经网络模型能够准确识别结构的损伤位置和损伤程度,具备一定的抗噪性能,整体模型收敛快,对单条样本测试延迟低。设计了钢框架结构损伤识别试验,采用所提方法对框架结构的损伤情况进行了识别。分析结果表明:所提方法可准确识别结构损伤程度及损伤类别,测试集准确率为100%,验证了方法在实际结构损伤识别的应用可行性。

利用单传感器数据基于GAF-CNN的结构损伤识别

为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场(Gramian angular field,简称GAF)和卷积神经网络(convolutional neural networks,简称CNN)的结构损伤识别方法。采用GAF理论将原始振动信号分别转换为格拉姆角和场(Gramian angular summationfield,简称GASF)和格拉姆角差场(Gramian angular difference field,简称GADF)二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet⁃5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别。以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响。结果表明:所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100%,单条样本测试时间为8.5 ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型。

基于CNN与DCGAN的结构振动监测传感器故障诊断及监测数据恢复

传感器是结构健康监测系统的关键组成部分,其在服役期间可能发生性能退化甚至故障,故障传感器采集的错误信号会影响结构状态评估结果的准确性。为此,提出基于卷积神经网络(convolutional neural networks, CNN)和深度卷积生成对抗网络(deep convolutional generative adversarial networks, DCGAN)的结构加速度传感器故障自诊断及故障信号自恢复算法。以加速度时程数据为输入,建立基于CNN的传感器故障诊断模型,判断传感器故障类型和故障位置。根据传感器故障诊断结果,对数据集进行相应的处理。将故障传感器信号作为判别器的输入,利用剩余健康传感器信号潜在特征与故障传感器信号之间的相关性,训练基于DCGAN的信号恢复模型,对故障传感器信号进行恢复。采用Benchmark模型和实桥测试结果验证所提方法的可行性及可靠性,并探讨不同噪声水平对信号恢复结果的影响。研究结果表明:基于CNN传感器故障诊断模型具有较好的抗噪性能,传感器的故障诊断准确率在90%以上。恢复信号在时域、频域与真实信号匹配良好。重构误差随着信噪比的降低和故障传感器数量在总传感器数量中占比的增加而增大,但重构信号与真实信号的R~2均在0.8以上。