详情

原文传递基于特征工程和卷积神经网络的结构损伤识别方法研究

论文题名：	基于特征工程和卷积神经网络的结构损伤识别方法研究
关键词：	桥梁结构;损伤识别;特征工程;卷积神经网络
摘要：	为了确定桥梁结构的实时健康状态，及时发现结构的损伤并采取措施加以修复，结构健康监测（StructuralHealthMonitoring，SHM）系统成为当今大型桥梁不可缺少的重要组件。桥梁健康监测系统中安装的传感器数量可达成百上千，将会产生海量的振动响应监测数据。如何从这些海量数据中提取最有效的数据特征，准确且有效地进行损伤识别，在SHM领域仍然是一个不可避免和挑战性的前沿课题。直接将原始的监测数据输入到卷积神经网络（ConvolutionalNeuralNetwork，CNN）的损伤识别方法，在处理和分析高噪声和高维度的监测数据时，不仅会面临计算和存储的困难，而且容易出现过拟合现象，导致损伤识别正确率不高等一系列问题。本文提出了一种基于特征工程和CNN的结构损伤识别方法，通过数值实验和两个振动实验进行验证，该方法表现出较高的损伤识别正确率和效率。论文的主要研究内容如下：　　（1）基于三维钢架桥梁结构模型，通过修改各点的坐标，可以随机生成不同尺寸模型，建立数值模型系。本文设定五种随机缩放比例构建了五种场景。通过有限元软件ABAQUS（SIMULIAInc.，Providence，USA）的二次开发功能，批量获取了结构在损伤状态下的加速度数据，这些数据为后述的结构损伤识别方法研究提供了基础。　　（2）信号数据往往会有很多噪声，而这些噪声的存在会干扰CNN的学习，从而降低其损伤识别正确率。针对这个问题，本文提出了一种对数据进行集成经验模态分解（EnsembleEmpiricalModeDecomposition，EEMD）和Z-score标准化的预处理方法。集成经验模态分解有效避免了经验模态分解（EmpiricalModeDecomposition，EMD）中出现的模态混叠和末端效应现象，能够更精准地去除数据中的噪声。Z-score标准化是为了将不同特征的数值范围进行统一，使数据更容易被CNN处理。相比于原始数据，经过EEMD和Z-score标准化处理后的数据输入到CNN中进行损伤识别，正确率更高。　　（3）CNN由于其强大的特征提取能力，可能会学习到无关特征或冗余特征而出现过拟合的问题。本文采用相关的特征选择方法去选择信号数据中最具有代表性的损伤特征，以提高CNN的损伤识别正确率和训练速度。在去噪和统一数据分布的基础上，基于统计学方法（方差过滤、卡方检验、F检验和互信息法）与树模型（决策树和随机森林）的特征选择方法，分别计算每个特征与损伤之间的相关性和每个特征对树模型的重要性，去除不相关的特征和冗余特征，建立特征子集，使高维数据降维，减少了训练数据量，降低了CNN的复杂度和学习难度。使用（1）中的数据样本，验证了本文提出的特征选择方法的有效性。　　（4）为了进一步证明上述特征选择方法的实用性，将该方法拓展应用到两个振动实验中（根据结构上安装加速度传感器数量的不同，划分为振动实验Ⅰ和Ⅱ，分别安装有7个和13个加速度传感器），并设置了多种实验工况（单损伤工况和多损伤工况）。相比于将原始的结构响应数据直接输入到CNN计算的传统方法，通过特征工程，去除噪声和无用特征，统一数据分布，降低了数据的维度，减小了计算量，提升了CNN的训练速度。同时，特征工程可以弱化样本之间的差异，增强样本之间的内在联系，进而提高CNN的泛化能力和鲁棒性。结果表明，特征选择方法能够为CNN选择更好的特征子集，使输入的特征数据更能匹配CNN的需求，基于特征工程和CNN的结构损伤识别方法，可以明显提高损伤识别的正确率和效率，同时降低CNN模型的复杂度和计算量。
作者：	金子涵
专业：	土木工程
导师：	张吉桥;孙晓立
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2023