基于改进卷积神经网络的闸门结构响应数据修补方法

针对结构健康监测过程中数据缺失影响结构安全运行的问题,提出了一种基于改进卷积神经网络的数据补全方法,通过利用矩阵补全的方法实现了多通道数据的同时修补。首先将缺失信号经过傅里叶变换得到基础矩阵,并利用矩阵分解出的实部和虚部作为训练的输入,与L1-CNN神经网络作内积。采用基系数作为卷积运算的基础,并经过原始信号与修补信号进行对比更新,在更新卷积核同时应用L1正则化,得到修补后的信号。最后,以溢洪道水工闸门结构的加速度传感器信号为例进行数据修补,验证所提方法合理性,结果表明所提数据补全方法能够修复缺失率为30%以内的信号且不失真;修复缺失率为40%的信号,发现部分区域呈现失真状态。与其他方法对比分析表明,使用该方法补全的数据与原始数据具有最高拟合度,预测趋势接近完整数据。