基于全卷积神经网络的结构健康监测数据异常诊断方法

摘要

为了消除人工检查或常规的信号处理技术在结构健康监测(SHM)数据异常诊断过程中费力耗时的弊端，提出基于全卷积神经网络(FCN)进行SHM异常数据类型的分类。改进GoogLeNet预训练模型，在GoogLeNet网络基础上构建全卷积单元代替全局平均池化和全连接层，简化训练参数的同时提高模型精确度。在某悬索式吊桥的SHM系统集成的应变数据上，随机选取监测数据组成数据集，进行模型分类性能测试。研究表明，FCN网络模型的分类测试准确率达到98.6%,训练时间仅为原GoogLeNet模型的2/3,训练效果优异。

关键词

结构健康监测 / 异常诊断 / 全卷积神经网络 / 应变监测数据