基于ICEEMDAN-CNN的斜拉桥损伤识别方法研究

摘要

针对单一模型在斜拉桥海量监测数据中难以实现结构损伤的精准识别且抗噪性能不足的问题，提出了一种改进完全自适应噪声集合经验模态分解（ICEEMDAN）算法与一维卷积神经网络（1D-CNN）融合的斜拉桥损伤识别方法。在完全自适应噪声集合经验模态分解（CEEMDAN）的基础上，依据标准差特性推算合适的噪声源进行迭代更新，动态调整海量数据中的噪声水平并分解得到本征模态函数（IMF）分量；随后对IMF分量逐个进行最小二乘法非线性拟合，计算各个分量的Hurst指数用以筛选最佳IMF分量，为1D-CNN提供高质量的数据输入；细化调整卷积层结构与参数优化1D-CNN，提高模型对海量数据的泛化能力与计算效率，经训练后得到斜拉桥损伤识别模型；利用斜拉桥基准有限元模型提取多种工况数据，对斜拉桥损伤识别模型进行仿真分析。结果表明，ICEEMDAN-CNN模型在仿真分析时损伤定位精度为99.84%，损伤定量的最大误差为2.94%。

关键词

斜拉桥 / 损伤识别方法 / 海量数据 / 一维卷积神经网络 / 改进完全自适应噪声集合经验模态分解