基于小波散射卷积神经网络的结构损伤识别

Structural damage identification based on the wavelet scattering convolution neural network

马亚飞 ¹李诚 ¹何羽 ¹王磊 ¹涂荣辉²

扫码查看

作者信息

1. 长沙理工大学土木工程学院,长沙 410114
2. 长沙理工大学土木工程学院,长沙 410114;浙江省交通工程管理中心,杭州 310014
折叠

摘要

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义.深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题.该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network,1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理.在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别.通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证.结果表明:与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0％以上.随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力.

关键词

结构状态评估/深度学习/小波散射变换/卷积神经网络(CNN)/损伤识别

Key words

structural condition assessment/deep learning/wavelet scattering transform/convolutional neural network(CNN)/damage identification

引用本文复制引用

基金项目

国家重点研发计划(2019YFC1511000)

国家自然科学基金(52078055)

湖南省自然科学基金创新研究群体项目(2020JJ10060)

出版年

2023

振动与冲击

中国振动工程学会上海交通大学上海市振动工程学会

振动与冲击

CSTPCDCSCD北大核心

影响因子：0.898

ISSN：1000-3835

参考文献量6

段落导航