论文部分内容阅读
为了提升重大结构工程的服役安全性，对其可能存在的损伤进行在线实时监测，结构健康监测(Structural Health Monitoring，SHM)技术在国内外被广泛应用。其中结构损伤识别作为SHM的重要研究任务之一，能够对结构是否损伤，损伤发生的位置以及损伤程度进行判别，准确的结构损伤识别能够延长结构工程的使用寿命。随着传感器技术的不断发展，SHM系统所获取的数据类型日益增多，合理的运用这些监测数据进行结构损伤识别尤为关键。结构振动响应信息以其采集精度高，技术较为成熟而被选为本文研究数据，由于数据之间具有时序前后依赖性和空间相关性特点，因此损伤识别的核心就是有效地提取数据之间的依赖性和相关性。基于上述特性，本文提出一种基于回声状态网络(Echo State Network, ESN)与多尺度卷积神经网络(Multi-Scale Convolutional Neural Network, MSCNN)联合模型的结构损伤识别方法，主要的研究内容如下：
(1)面向结构振动响应的多变量时间序列数据的时空相关特性分析。从时间维度上，通过自相关系数来确定加速度传感器同一测点的时序所具有的前后依赖性强弱；从空间维度上，通过相关系数来确定加速度传感器不同测点之间在空间所具有的相关性强弱，从而明确了振动响应信息同时存在时空两个维度的相关性。
(2)面向结构振动响应信息特性的数据增强方法。以更加科学的方式划分实验所用的样本，将结构振动响应信息用固定大小的滑动窗口从头开始以固定步长移动，依次截取全部数据，构成实验数据样本，并深入研究了滑动窗口的窗长大小以及移动步长对模型损伤识别结果的影响。
(3)提出了基于回声状态网络与多尺度卷积神经网络的联合模型，模型通过回声状态网络提取时序前后依赖性，通过多尺度卷积提取时序空间相关性。为优化联合模型的储备池超参数，提出了改进的泛函回声状态网络(Functional Echo State Network，FESN)模型，通过遗传算法搜索寻找最优超参数组合。进一步地，通过网格搜索法搜寻联合模型其余超参数的最优组合，将通过不同算法得到的组合值合并作为联合模型的最优超参数组合。
(4)为验证本文提出的基于回声状态网络与多尺度卷积神经网络联合模型的结构损伤识别方法的有效性，在SHM领域公开的Benchmark有限元仿真模型和黑冲沟连续刚构桥缩尺模型分别进行了实验研究。与深度学习中主流的深度神经网络(Deep Neural Network，DNN)、卷积神经网络(Convolutional Neural Network， CNN)、长短期记忆神经网络(Long Short-Term Memory，LSTM)、CNN-LSTM、双向长短期记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)模型进行对比，根据准确率(acuuracy)、精确率(precision)，召回率(recall)以及F1值(F1-score)评价指标，表明ESN-MSCNN模型的损伤识别结果均优于对比模型。
(1)面向结构振动响应的多变量时间序列数据的时空相关特性分析。从时间维度上，通过自相关系数来确定加速度传感器同一测点的时序所具有的前后依赖性强弱；从空间维度上，通过相关系数来确定加速度传感器不同测点之间在空间所具有的相关性强弱，从而明确了振动响应信息同时存在时空两个维度的相关性。
(2)面向结构振动响应信息特性的数据增强方法。以更加科学的方式划分实验所用的样本，将结构振动响应信息用固定大小的滑动窗口从头开始以固定步长移动，依次截取全部数据，构成实验数据样本，并深入研究了滑动窗口的窗长大小以及移动步长对模型损伤识别结果的影响。
(3)提出了基于回声状态网络与多尺度卷积神经网络的联合模型，模型通过回声状态网络提取时序前后依赖性，通过多尺度卷积提取时序空间相关性。为优化联合模型的储备池超参数，提出了改进的泛函回声状态网络(Functional Echo State Network，FESN)模型，通过遗传算法搜索寻找最优超参数组合。进一步地，通过网格搜索法搜寻联合模型其余超参数的最优组合，将通过不同算法得到的组合值合并作为联合模型的最优超参数组合。
(4)为验证本文提出的基于回声状态网络与多尺度卷积神经网络联合模型的结构损伤识别方法的有效性，在SHM领域公开的Benchmark有限元仿真模型和黑冲沟连续刚构桥缩尺模型分别进行了实验研究。与深度学习中主流的深度神经网络(Deep Neural Network，DNN)、卷积神经网络(Convolutional Neural Network， CNN)、长短期记忆神经网络(Long Short-Term Memory，LSTM)、CNN-LSTM、双向长短期记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)模型进行对比，根据准确率(acuuracy)、精确率(precision)，召回率(recall)以及F1值(F1-score)评价指标，表明ESN-MSCNN模型的损伤识别结果均优于对比模型。