基于时频信息堆叠长短期记忆生成对抗网络的传感器网络缺失数据插补方法

为解决恶劣环境下传感器故障导致的结构健康监测(SHM)数据缺失问题，研究人员开发了一种融合时频域信息的堆叠长短期记忆(LSTM)生成对抗网络(GAN)模型。该模型通过联合优化加速度数据与功率谱密度(PSD)的重构损失，结合对抗训练策略，在三维连续桥梁和ASCE基准模型上实现了时间-频率双域的高保真数据重建，为安全关键系统提供了增强的传感器容错能力。

　　

在极端环境下的结构健康监测中，传感器故障导致的数据缺失如同"断链的珍珠项链"，严重阻碍了对基础设施状态的连续评估。传统基于有限元模型(FEM)的方法受限于建模误差，而现有生成对抗网络(GAN)又难以捕捉时序长期依赖性。这一困境激发了研究人员开发新型人工智能算法的迫切需求。

为解决这一挑战，国内某高校团队在《Engineering Applications of Artificial Intelligence》发表研究，创新性地将时频分析与深度学习相结合。该工作采用堆叠长短期记忆网络(LSTM)作为GAN的生成器核心，通过引入功率谱密度(PSD)重构损失函数，在三维连续桥梁和ASCE标准模型上实现了突破性进展。关键技术包括：1)构建双判别器架构分别优化时域加速度和频域PSD重建；2)采用两层堆叠LSTM捕获长程时序特征；3)利用美国土木工程师学会(ASCE)基准结构和卡塔尔大学看台模拟器(QUGS)进行实验验证；4)对比深度卷积自编码器(CAE)-GAN和变分自编码器(VAE)等基线方法。

数据预处理
通过Z-score标准化消除量纲影响，采用滑动窗口技术增强序列样本量，为后续深度学习提供规整输入。

问题陈述
针对传感器网络中的单点/多点缺失场景，建立正常传感器与故障传感器的映射关系，重点解决传统方法在非平稳信号处理中的局限性。

三维连续桥梁
数值模拟显示，所提方法在50%随机缺失情况下仍保持0.92以上的相关系数，PSD重构误差较CAE-GAN降低37%，验证了时频联合优化的优越性。

ASCE基准模型
在非均匀噪声干扰下，加速度时程曲线的均方根误差(RMSE)控制在0.05m/s²以内，显著优于VAE类方法。

ASCE基准结构
物理实验证实，即使仅保留30%正常传感器，该方法仍能准确重建关键测点的模态频率，误差小于1.5%。

QUGS基准结构
看台结构实测数据验证显示，该方法对分布偏移具有强鲁棒性，在不同传感器布设方案下保持稳定性能。

结论与展望
该研究通过堆叠LSTM-GAN框架成功实现了三大突破：首次将时频域信息融入GAN训练过程，解决了传统方法频域失真问题；设计的深度时序网络克服了卷积核局部感知的局限；在数值模拟和实体结构验证中展现出卓越的工程适用性。特别值得注意的是，该方法在卡塔尔大学看台模拟器上的成功应用，为未来地外栖息地健康管理系统提供了技术储备。研究者建议后续可探索基于注意力机制的动态权重分配，以进一步提升对突变信号的捕捉能力。