文档名：基于深度学习的随机缺失数据重构和结构损伤识别
结构健康监测是识别异常结构振动信号的有力工具.但是,在实践中由于仪表故障、系统停机、传感器老化、信号不良等各种因素,往往会发生数据缺失现象.本文提出一种基于深度学习的缺失数据重构方法,用于结构损伤识别.以立体桁架结构基准模型为研究对象,采用完整振动信号和随机缺失振动信号来训练一维卷积自编码器(1DConvolutionalAutoencoder,1DCAE)模型.将重构后的振动信号输入已训练好的分类模型中进行损伤识别和评估.结果表明,该模型可以有效地重构随机缺失数据,用于结构损伤识别.即使在高缺失率的情况下,依然有很高的准确性和鲁棒性.
作者：杨渊 练继建 周观根 陈志华 刘红波 JankowskiLukasz[5]
作者单位：天津大学建筑工程学院,天津300072;浙江东南网架股份有限公司,浙江杭州311209天津大学建筑工程学院,天津300072;河北工程大学水利水电学院,河北邯郸056021浙江东南网架股份有限公司,浙江杭州311209天津大学建筑工程学院,天津300072波兰科学院基础技术研究所智能技术部,华沙02-106,波兰
母体文献：第二十一届现代结构工程学术研讨会论文集
会议名称：第二十一届现代结构工程学术研讨会
会议时间：2021年7月23日
会议地点：天津
主办单位：中国钢结构协会,中国建筑金属结构协会,天津市科学技术协会,天津大学
语种：chi
分类号：O21P61
关键词：结构损伤识别 随机缺失振动信号 数据重构 卷积自编码器 深度学习
在线出版日期：2022年5月27日
基金项目：
相似文献
相关博文
- 文件大小:
- 4.7 MB
- 下载次数:
- 60
-
高速下载
|
|
