一种新颖的框架，采用门控循环单元（Gated Recurrent Units）和残差网络（Residual Network）来恢复结构健康监测中的时间序列数据

《European Journal of Environmental and Civil Engineering》：A novel framework using gated recurrent units and residual network for time-series data recovery in structural health monitoring

针对结构健康监测中传统机器学习模型处理时间序列数据时梯度消失问题，提出GRU-GRN-MHA融合模型。该模型结合GRU的长时依赖捕捉能力、GRN的残差信息保留机制与MHA的多头注意力机制，通过QUGS钢架数据集验证，在MAE、R2、RMSE指标上均优于LSTM、GRU及MLP。

　　

摘要

近年来，许多研究致力于开发和使用机器学习算法来处理结构健康监测（SHM）问题中的时间序列数据。然而，大多数传统模型在处理数据时难以保留重要的历史信息，从而无法准确预测未来。其主要原因是深度学习（DL）模型中的梯度消失问题降低了学习效率并影响了预测准确性。为克服这些限制，本研究提出了一种新的方法，该方法结合了先进的循环网络和带有门控机制的残差网络，有效解决了时间序列数据中的梯度消失问题。门控循环单元（GRU）模型能够捕捉时间序列数据中的长期依赖关系，而门控残差网络（GRN）则有助于信息在深层之间的高效传递，保留关键信息。此外，还引入了多头注意力（MHA）机制来识别输入序列中最重要的部分，从而增强了模型的学习能力。为了评估所提出方法（GRU-GRN-MHA）的有效性，使用了一个关于QUGS钢框架的时间加速数据集来进行数据恢复实验。实验结果表明，GRU-GRN-MHA在平均绝对误差、决定系数（R²）和均方根误差等指标上显著优于其他DL模型，如长短期记忆网络（LSTM）、GRU和多层感知器（MLP）。具体来说，在数据集的31个场景中，该方法在各项指标上均表现出更优的性能。