基于相关函数和卷积神经网络的结构损伤识别

摘要

为了改善基于振动信号的结构损伤识别效果，提出一种基于相关函数和卷积神经网络相结合的结构损伤识别方法。以一铁路钢梁桥结构为例，首先通过对结构的振动响应进行自相关运算来提高振动信号的信噪比，再使用自相关样本作为卷积神经网络(convolutional neural network, CNN)的输入可以显著提高其识别精度，且当振动信号中的噪声水平越高时，自相关样本作为CNN输入的识别精度的提升效果越明显，且自相关运算具有比快速傅里叶变换(fast Fourier transform, FFT)更强的抗噪性。使用互相关函数对结构上布置的多传感器的数据进行融合，再将融合后的信号作为CNN的输入，互相关在对2个传感器数据特征有效融合的前提下可以成倍地削减数据集的维度，减少网络运算的参数量，从而减少用时提高训练效率，且互相关样本作为网络输入同样具有较高的识别精度和较强的抗噪性。

关键词

损伤识别 / 深度学习 / CNN / 自相关 / 互相关

基金资助

国家自然科学基金面上项目(51978634); 河南省高等学校重点科研项目(21A560005)