基于一维空洞卷积神经网络的结构损伤检测方法研究
利用振动响应对结构损伤进行智能检测和诊断意义重大,但传统深度卷积神经网络模型在处理结构振动信号时存在模型参数多、信号细节信息损失、泛化性能不好等问题,因此提出一种基于一维空洞卷积神经网络的结构损伤检测方法.该方法所使用的神经网络模型通过空洞卷积来代替传统的卷积与池化的组合层,保持参数数量不变的情况下增大感受野;同时采用全局池化代替传统的全连接层来减少模型参数,以防止过拟合的出现,进而针对实际振动信号数据集类别不平衡的现象,通过对不同类别信号设置惩罚权重来训练代价敏感分类器,能有效提高样本不平衡情况下的结构损伤检测精度.卡塔尔大学看台缩尺模型损伤试验的验证与应用分析表明,利用该方法能够在不损失信号细节信息的情况下,从原始加速度信号中自动提取最优特征并分类,达到较高的识别准确率和分类成功率,以用于实时损伤检测.
损伤检测、空洞卷积、全局池化、样本不平衡、代价敏感分类器
51
国家自然科学基金;江西省自然科学基金;江西省研究生教改项目;江西省研究生创新专项资金项目
2022-03-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
177-183