重庆理工大学学报（自然科学）

重庆理工大学学报（自然科学） ›› 2023, Vol. 37 ›› Issue (11): 147-156.

• “数据科学与人工智能的理论与应用”专栏 • 上一篇    下一篇

基于 Ｍ１ＤＣＮＮＢｉＬＳＴＭ在铝合金桁架结构健康监测的应用研究

王二成，肖俊伟，李家豪   

  1. （１．河北工程大学 土木工程学院，河北 邯郸 ０５６０３８； ２．河北省装配式结构技术创新中心，河北 邯郸 ０５６０３８）
  • 出版日期:2023-12-14 发布日期:2023-12-14
  • 作者简介:王二成，男，博士，教授，主要从事结构健康监测研究，Ｅｍａｉｌ：ｗａｎｇｅｒｃｈｅｎｇ＠ｈｅｂｅｕ．ｅｄｕ．ｃｎ；通信作者 肖俊伟，男， 硕士，主要从事深度学习与结构损伤识别研究，Ｅｍａｉｌ：２３９４７８１２００＠ｑｑ．ｃｏｍ。

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

  • Online:2023-12-14 Published:2023-12-14

PDF (PC)

131

赞

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

中图分类号: 

  • ＴＵ３９５