强噪声小样本条件下基于图卷积神经网络的结构损伤识别

摘要

基于深度学习的结构损伤识别主要通过捕捉数据特征及内部规律来实现。训练样本不足、噪声干扰均可能导致有效特征及内部规律的挖掘失败。从数据中尽可能挖掘更多的信息用于识别损伤尤为重要。文中提出了基于图卷积神经网络的结构损伤识别方法。首先，为了能够提取更多特征，即同时考虑不同位置传感器之间的相关性和各个传感器数据的自身特性，通过图构造方法将一维振动数据转换为图数据。然后采用图卷积神经网络提取图样本的数据特征并实现快速分类，完成损伤识别的目的。采用卡塔尔大学看台结构模型来验证所提方法的可行性及可靠性，并探讨噪声程度、样本个数、构图方式及相关图卷积网络参数对识别结果的影响。结果表明：与一维卷积神经网络相比，图卷积神经网络模型在强噪声、小样本的情况下具有较高的损伤识别精度。构图方式及图池化方法对识别结果有一定的影响，Path构图方式与Topk池化的识别结果较为稳定且高于其他组合形式。

关键词

结构健康监测 / 损伤识别 / 振动响应 / 深度学习 / 图卷积神经网络