基于对比学习与自监督学习的振动数据开放集损伤分类方法研究——面向不完备不平衡数据的结构健康监测

针对结构健康监测(SHM)中损伤数据不完备、不平衡导致的分类难题，研究人员提出融合对比学习(CL)与自监督学习的开放集损伤分类方法(CLODC)。该方法通过对比健康与有限损伤数据提升特征区分度，集成重构、分类、预测模块强化泛化能力，在Z24桥梁实测数据验证中显著优于OpenMax等传统方法，为实际工程中稀缺标注数据场景提供创新解决方案。

　　

在土木工程结构安全领域，振动基结构健康监测(SHM)如同给建筑装上"听诊器"，通过分析传感器数据捕捉结构"健康密码"。然而现实却充满矛盾——建筑寿命期内可观测的轻微损伤数据寥寥无几，而潜在损伤模式却浩如烟海。这种数据"冰山现象"让传统基于封闭集假设的分类方法举步维艰：它们像只认识固定字母表的翻译官，面对"生僻字"般的未知损伤时束手无策。更棘手的是，轻微损伤与健康状态的特征差异微乎其微，犹如在显微镜下区分两片雪花，现有方法极易陷入"学不会、分不清"的困境。

江苏自然科学基金支持的研究团队在《Expert Systems with Applications》发表突破性成果。研究者独辟蹊径，将对比学习(Contrastive Learning, CL)的"火眼金睛"与自监督学习的"无师自通"相结合，打造出CLODC（对比学习增强开放集损伤分类）新框架。该方法仅需健康数据和少量损伤样本即可训练，通过噪声添加、随机掩码等数据增强技术制造"数据变形金刚"，配合双阶段训练策略，使模型在特征空间里"画"出健康、已知损伤、未知损伤和模糊状态四重精准边界。

技术方法上，研究采用IASC-ASCE基准模型模拟12种损伤场景构建训练集，通过加速度传感器采集Z24桥梁实测数据验证。核心创新在于：1) 设计时空对比学习模块挖掘振动信号时空相关性；2) 集成自动编码器(AE)、长短期记忆网络(LSTM)和分类器实现多任务学习；3) 引入OpenMax概率校准改进未知样本识别。

框架设计
CLODC三阶段架构展现精巧构思：预处理阶段采用去趋势和标准化处理原始信号；对比训练阶段通过正负样本对构建，使模型学会"放大差异、缩小同类"；决策阶段融合重构误差、分类置信度等四重指标，实现损伤状态"四象限"划分。在IASC-ASCE数据集测试中，该方法对未知损伤的识别准确率达92.7%，较传统DMCDD方法提升23.6%。

参数优化
通过系统消融实验揭示：当温度系数τ=0.1时对比损失效果最佳；随机掩码比例30%能最优平衡特征鲁棒性与信息完整性；双阶段训练策略使微调后模型F1-score提升8.2%。特别值得注意的是，在信噪比低至5dB的强干扰环境下，CLODC仍保持85%以上的分类稳定性。

工程验证
Z24桥梁案例彰显方法实战价值：对螺栓松动、混凝土剥落等真实损伤，CLODC成功识别出3种训练集未包含的新损伤模式，并将模糊样本比例控制在7.2%以下。对比实验显示，其未知损伤召回率比OpenMax高34.5%，证实了自监督信号增强的有效性。

结论与展望
该研究突破传统SHM对完备损伤数据的依赖，开创性地实现"小样本、大识别"的损伤分类范式。通过对比学习挖掘潜在特征差异，结合多源自监督信号构建"防混淆"决策边界，为重大基础设施安全监测提供新思路。未来可探索多模态传感器数据融合，进一步攻克极端环境下的损伤早期预警难题。作者团队特别致谢KU Leuven提供的Z24桥梁数据支持，为方法验证奠定坚实基础。