基于CNN-LSTM-Attention智能模型的海洋钢结构声发射损伤监测与健康评估研究

针对海洋钢结构在循环载荷下损伤实时监测难题，研究团队创新性提出融合CNN空间特征提取、LSTM时序建模与Attention机制增强的深度学习框架，通过高斯噪声数据增强和信号分段优化，实现裂纹萌生(CI)、扩展(CG)及断裂(CF)三阶段98.5%的高精度分类，为恶劣工况下的结构健康监测(SHM)提供了智能化解决方案。

　　

海洋钢结构长期承受风浪冲击和腐蚀环境，裂纹损伤的早期监测直接关系到重大工程安全。传统检测方法如磁粉探伤、超声波检测存在效率低、实时性差等瓶颈，而现有深度学习模型对声发射(AE)信号中复杂时空特征的捕捉能力不足。针对这一挑战，烟台研究院联合团队在《Ocean Engineering》发表研究，构建了CNN-LSTM-Attention混合模型，开创性地将注意力机制引入钢结构损伤诊断领域。

研究采用三大核心技术：1) 基于Q235钢循环加载实验获取CI/CG/CF三阶段AE信号；2) 通过高斯噪声注入和T=8最优信号分段增强数据鲁棒性；3) 集成1D-CNN局部特征提取、LSTM时序建模与Attention权重分配的多模块协同架构。

CNN模块采用卷积层-批归一化-ReLU的级联结构，自动提取AE信号频域特征；LSTM模块通过门控机制捕捉损伤演变的长期依赖关系；Attention机制动态聚焦关键时间节点的特征，使模型在噪声环境下仍保持高灵敏度。实验表明，该模型对三阶段损伤的分类精度达98.5%，较传统LSTM提升12.7%，且对信号幅值波动表现出更强鲁棒性。

信号分段分析揭示T=8时模型性能最优，过短分段(如T=4)导致时序关联丢失，过长分段(T=16)则引入冗余噪声。消融实验证实Attention机制使关键特征权重提升2.3倍，显著改善对裂纹萌生微弱信号的识别能力。

该研究实现了三大突破：1) 首次建立AE信号与裂纹演化阶段的智能映射关系；2) 通过数据-算法协同优化解决工程场景样本稀缺问题；3) 为海洋平台、风电基础等提供可部署的实时监测方案。中国博士后科学基金(2023M740906)等项目的支持，彰显该成果在国家重大装备安全领域的战略价值。未来可进一步探索模型在复合载荷、多损伤耦合工况下的泛化能力，推动SHM技术向自主决策方向发展。