基于广义S变换和并联神经网络的结构损伤识别研究

摘要

目前在利用CNN网络提取特征的结构损伤识别研究中，仅仅利用1D-CNN和2D-CNN提取的特征进行损伤识别存在准确率低、识别效率不高等问题。提出了一种基于广义S变换和并联神经网络的结构损伤识别方法。为了丰富输入信号的特征维度，利用广义S变换将滤波后的信号转化成时频图，并同时将一维加速度响应信号和二维时频图分别输入1D-CNN和2D-CNN中进行时域和时频域特征提取，并在汇聚层进行特征拼接，然后通过FC层和Softmax层对损伤识别结果进行分类。利用IASC-ASCE SHM Benchmark结构第二阶段试验数据对所提出的并联网络模型进行验证，结果表明，所提出的网络模型与其他同类方法相比具有更高的识别精度和识别效率。

关键词

损伤识别 / 广义S变换 / 卷积神经网络 / 时频分析 / 特征融合

基金资助

山东省自然科学基金资助项目(ZR2021ME239)