基于多输入卷积神经网络隔震支座沉降识别

摘要

为了避免地基不均匀沉降导致隔震支座沉降以及对上部结构造成的隐性损伤，针对隔震支座沉降识别方法进行研究，提出一种基于多输入卷积神经网络(multi-input convolutional neural network, MI-CNN)的隔震支座振动信号识别模型。首先，采集隔震支座水平方向加速度和位移信号，采用归一化预处理和数据增强方法扩充样本；然后，将样本输入到所建立的网络模型中并进行训练；最后，利用完成训练的网络模型进行沉降识别。结果表明：相较于传统单输入卷积神经网络(Convolutional neural network, CNN)模型，MI-CNN模型易于训练，可最大程度地发挥CNN对沉降信号特征的提取能力，且具有更好的沉降位置识别准确率和更小的沉降程度识别误差，以及针对不均衡数据集更稳定的识别效果。研究结果可为隔震支座沉降识别提供新思路。

关键词

卷积神经网络 / 隔震支座 / 不均衡数据集 / 沉降识别