基于密集连接卷积神经网络的结构损伤识别

摘要

提出一种经验模态分解(empirical mode decomposition, EMD)和密集连接卷积神经网络(densely connected convolutional network, DenseNet)相结合的结构损伤识别网络模型(E-DenseNet)。对采集的加速度信号进行EMD得到多个本征模态函数(intrinsic mode function, IMF)分量，接着剔除皮尔逊相关系数绝对值较小的弱相关IMF分量。根据输入数据的组织方式，设定3种E-DenseNet模型：E-DenseNet1利用强相关IMF分量重构信号建立一维单通道输入数据；E-DenseNet2将各强相关IMF分量分别视作一个通道来建立一维多通道输入数据；E-DenseNet3利用所有强相关IMF分量组成二维矩阵来建立二维单通道输入数据。某简支梁算例分析表明：E-DenseNet1计算速度快但识别精度低，E-DenseNet2计算速度快且识别精度高，E-DenseNet3识别精度高但计算速度慢；与一维多通道残差卷积神经网络(residual network, ResNet)及标准卷积神经网络(convolutional neural network, CNN)相比，E-DenseNet2的识别精度明显更优；E-DenseNet2因而具有兼顾计算效率和识别精度的优点。E-DenseNet2可视化分析表明了其识别过程，对于相同工况下的不同样本，输出层越深其输出特征越相似，直至全连接层给出极大相似输出特征。

关键词

损伤识别 / 神经网络 / 动力测试 / 灵敏度分析 / 经验模态分解