基于深度学习的钢桥面板U肋-顶板节点Lamb波损伤检测

田亮; 宋鹏飞; 张海顺; 肖飞知; 樊立龙; 赵健

doi:10.16749/j.cnki.jecjtu.20250908.011

华东交通大学学报 ›› 2025, Vol. 42 ›› Issue (6) : 17 -30. DOI: 10.16749/j.cnki.jecjtu.20250908.011

基于深度学习的钢桥面板U肋-顶板节点Lamb波损伤检测

田亮, 宋鹏飞, 张海顺, 肖飞知, 樊立龙, 赵健

作者信息 +

Author information +

文章历史 +

摘要

针对钢桥面板等复杂结构中Lamb波多模态传播、频散效应及信号衰减导致的损伤特征识别困难问题，本研究提出一种基于深度学习的钢桥面板U肋-顶板节点损伤检测方法。通过将挤压和激励（squeeze-excitation,SE）注意力机制与长短时记忆网络（long short-term memory,LSTM）嵌入卷积神经网络（convolutional neural networks,CNN），并结合Hilbert变换提取包络曲线构建数据集，实现钢桥面板U肋-顶板节点典型疲劳损伤的有效识别。研究结果表明：(1)损伤状态下直达波包相位呈现右移且幅值衰减，验证信号时域变化特征在损伤检测上应用的可行性；(2) SE-LSTM-CNN模型在验证集与测试集分别达到93.67%与95.00%的准确率，且各类损伤识别精度均超过90%，验证该模型在钢桥面板U肋-顶板节点损伤检测任务上有良好适用性；(3) SE-CNN与LSTM-CNN模型的分类准确率较基础CNN模型分别提升1.00%与3.33%；而SE-LSTM-CNN模型的分类准确率较单一改进模型再提升7.33%与5.00%，验证SE注意力机制与LSTM的协同增效作用。此外，使用包络曲线数据集使模型在验证集上的准确率较原始信号提升21.33%，说明该方法能有效增强SE-LSTM-CNN模型对Lamb波损伤特征的辨识能力；(4)基于MATLAB APP Designer构建的智能检测软件实现了损伤检测全流程优化，降低了人工干预误差。本研究有望为钢桥面板U肋-顶板节点的损伤检测提供新的技术方案。