重庆理工大学学报2023，Vol.37Issue(21) ：147-156.DOI:10.3969/j.issn.1674-8425(z).2023.11.015

基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究

Application of M1DCNN-BiLSTM based health monitoring of aluminum alloy truss structures

王二成 肖俊伟 李家豪 李彦苍 张子奇 李格格
重庆理工大学学报2023，Vol.37Issue(21) ：147-156.DOI:10.3969/j.issn.1674-8425(z).2023.11.015
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究

Application of M1DCNN-BiLSTM based health monitoring of aluminum alloy truss structures

王二成 1肖俊伟 2李家豪 2李彦苍 2张子奇 2李格格2
扫码查看

作者信息

  • 1. 河北工程大学 土木工程学院,河北 邯郸 056038;河北省装配式结构技术创新中心,河北 邯郸 056038
  • 2. 河北工程大学 土木工程学院,河北 邯郸 056038
  • 折叠

摘要

为克服传统结构健康监测方法在特征提取和时序建模方面的限制,提出一种高效的加速度差值预处理方法,将其应用于多尺度一维卷积神经网络(M1DCNN)与双向长短期记忆网络(BiLSTM)联合模型中,旨在深入研究和评估这一方法在铝合金桁架结构健康监测中的适用性.通过多层次的特征提取和时序建模,实现对振动信号的深层次时空特征表达.利用铝合金桁架的数值模拟和实际振动测试数据,对比不同模型在损伤位置识别和程度预测方面的性能.结果表明:与传统的1DCNN方法相比,M1DCNN-BiLSTM模型能有效识别桁架结构中不同位置的损伤,准确量化损伤的严重程度.该模型在损伤位置和程度预测方面表现出色,准确率和预测精度几乎达到100%.在振动测试实验中,其RMSE、MSE和MAE分别比1DCNN降低了84.5%、97%和84.3%,预测结果与实际损伤程度高度吻合.

关键词

健康监测/卷积神经网络/多尺度特征/程度预测/铝合金桁架结构

Key words

health monitoring/convolutional neural networks/multi-scale functions/closing forecast/aluminum truss structures

引用本文复制引用

基金项目

国家自然科学基金(U21A20164)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量3
段落导航相关论文