基于多通道卷积神经网络和同源分析的结构状态识别

《Structures》：Structural state identification based on multi-channel convolutional neural network and homology analysis

　　

摘要

传统的基于深度学习的结构状态识别方法通常建立在闭集假设之上，这限制了它们在结构健康监测中处理未见结构状态的能力。为了解决这一局限性，本文提出了一种基于同源性分析的卷积神经网络结构状态识别框架，将传统的多分类任务重新表述为多通道状态一致性学习问题。首先从时域振动响应中提取归一化幅频谱，然后沿通道维度（对应不同传感器或不同时间窗口）进行拼接以构建多通道样本。随后，根据每个样本的组成部分通道是否来源于同一结构状态，为其分配"同源"或"非同源"的二元标签。该CNN不再学习样本到固定类别的直接映射，而是学习通道间的一致性关系。因此，模型能够基于通道间不一致的模式来识别和预警未见过的结构状态。实验表明，所提方法在IASC-ASCE基准结构上实现了91.67%的整体开集识别准确率。CWRU轴承实验进一步验证了该框架在单传感器监测中的适用性。当模型以三种已知状态进行训练时，获得了98.67%的整体开集准确率。这些发现凸显了基于同源性的分析方法在标注损伤数据稀缺的结构损伤识别中的应用潜力，并提出关系同源性学习作为结构状态覆盖不完整条件下结构状态识别的一种有前景的替代方案。

引言

结构健康评估和早期损伤识别对于确保复杂环境中运行的工程结构的安全性和延长其使用寿命至关重要[1]。作为实现这些目标的重要工具，结构健康监测（SHM）已从基于经验和物理模型的定性分析逐步发展为数据驱动的智能识别[2,3]。

基于振动的结构损伤识别是SHM的核心，因为振动响应对结构刚度、质量和阻尼的变化非常敏感[[4], [5], [6], [7]]。传统方法主要依赖模态参数（如固有频率、振型和阻尼比）来表征结构状态[[8], [9], [10]]。然而，其有效性常因环境干扰、低信噪比、激励不确定性和模态识别精度的局限性而降低。对于高维、多源和非线性振动信号，这些局限性尤为突出，可靠地提取代表性特征仍然困难[11]。因此，近期研究将不确定性量化和正则化方法引入结构损伤识别中，以提高对测量噪声和不确定参数的鲁棒性[12]。混合物理-数据驱动和代理模型反演框架也得到了发展，以增强稀疏测量和多源不确定性条件下结构反演识别的鲁棒性[13,14]。

深度学习的进展进一步大幅提升了数据驱动的损伤识别能力。特别是，卷积神经网络（CNNs）由于其自动特征提取能力和对高维数据的适应性，在振动响应分析方面表现出强大的能力[[15], [16], [17]]。Wang等人[18]将Hilbert-Huang变换（HHT）与CNNs结合，通过时频表示增强抗噪鲁棒性。Wang和Cha[19]利用连续小波变换（CWT）和CNNs进行加速度信号的特征提取和故障定位。Wang等人[20]提出了一种通道-模态注意力网络（CMANet），将注意力机制与模态特征相结合以提高识别精度。Tang等人[21]利用时域和频域信息的双通道融合检测大跨度斜拉桥的异常响应。Huang等人[22]比较了基于数据拼接、矩阵重构、维度提升和子模型集成的四种多通道CNN框架，展示了改进的精度和抗噪能力。此外，多尺度特征融合CNN、LSTM、GRU和Transformer等新框架也应运而生，以增强复杂环境中状态识别的鲁棒性[[23], [24], [25], [26]]。

尽管取得了这些进展，大多数深度学习方法仍受限于闭集假设，即所有结构状态在训练期间都是预定义的[27]。因此，其识别能力仅限于已知类别，而未见过的状态通常会被错误分类[28,29]。此外，引入新的状态类别通常需要使用新收集和标注的数据重新训练整个模型，导致巨大的计算成本和有限的实时适应性[30]。

为解决未见状态的识别问题，开集识别（OSR）引起了越来越多的关注。与闭集分类不同，OSR使模型能够在识别已知类别的同时不拒绝未知样本，从而提高了在实际环境中的泛化能力[31]。现有的OSR方法主要依赖于分类边界扩展、距离度量或重构误差建模。例如，OpenMax对深层特征空间进行统计建模，并在Softmax层中估计未知类别的概率[32]。深度多类数据描述（Deep-MCDD）通过类中心构建和距离约束进一步提高了对未知类别的区分能力[33]。在SHM中，基于深度SVDD、自编码器和对比学习的新颖性检测策略也得到了广泛探索[[34], [35], [36]]。例如，Zhou等人[37]提出了一种开集域适应方法，通过结合时域和频域特征来识别未知损伤类别；Shi等人[38]通过集成对比学习和自监督学习，进一步提高了不完整和不均衡振动数据条件下的OSR能力。

然而，SHM中现有的OSR方法仍存在若干局限性。大多数方法从根本上依赖于已知类别的特征分布，使其性能对训练覆盖的完整性较为敏感。在持续的结构演化或复杂环境耦合下，未知状态难以用固定的决策边界来表征。此外，当前方法通常将单个样本独立建模，而忽视了在不同传感器或激励条件下测量的振动响应之间的一致性关系。这限制了对结构内在特征的提取。此外，许多方法仍然依赖显式阈值化或手工设计的拒绝边界，降低了泛化能力和工程适用性。

针对这些问题，本文提出了一种基于多通道CNN和同源性分析的结构状态识别方法。其核心思想是将传统多分类重新表述为同源判定问题，通过挖掘振动信号中的隐藏模式来识别结构状态。具体而言，时域信号通过傅里叶变换转换到频域。通过拼接来自相同或不同状态的频域响应谱，利用多通道CNN挖掘它们之间的隐藏模式。模型的主要任务不是直接输出特定的状态标签，而是确定多通道输入样本的组成部分信号是否来源于同一结构状态。在所提出的基于参考的推理方案下，训练好的网络可以针对可用的已知状态参考来筛选新采集的信号，而无需在训练期间引入额外的未知状态类别。利用IASC-ASCE基准结构第二阶段[39]和CWRU轴承数据集[40]的实验数据验证了该方法的有效性。

本文的主要贡献如下。(1) 提出了一种用于未知状态识别的结构状态同源判定框架。(2) 设计了一种基于不同传感器或时间区间频域响应组合的多通道样本构建方法，使网络能够学习状态一致性的关系特征，而不是直接记忆有限的已知类别。(3) 在不完整训练状态覆盖条件下，评估了所学习同源准则向训练期间未表示的结构状态的迁移能力。

章节摘要

振动响应中的隐藏模式

当结构处于某一特定状态时，其振动响应——在激励和环境因素的耦合作用下——包含了反映结构固有特性的内在信息，包括固有频率、振型分量和阻尼特性。这些信息是评估结构状态演化和识别损伤的核心指标。然而，在提取这些内在信息的过程中，容易引入误差

IASC-ASCE基准结构

本文使用加拿大英属哥伦比亚大学（UBC）地震工程研究设施建立的IASC-ASCE基准结构第二阶段实验数据来评估所提方法[39]。如图6所示，该基准模型是一个四层、2跨×2跨的钢框架结构。层高为0.9米，平面尺寸为2.5米×2.5米，框架总高为3.6米。每个跨内有两根直径为10毫米的螺纹钢筋

电机轴承实验

ASCE基准结构验证了所提方法利用多传感器振动响应的可行性。然而在实际应用中，密集传感器部署可能受到安装、成本或空间条件的限制。为进一步评估该方法在稀疏感知条件下的性能，采用了CWRU轴承数据集[40]。利用单个传感器不同时间区间的谱数据构建多通道输入，从而代表单传感器

结论

本文提出了一种基于同源分析的多通道CNN结构状态识别方法，将基于预定义状态标签的传统多分类识别问题转化为判定多个振动响应是否来源于同一结构状态的二元判定问题。模型不再学习信号特征与状态类别之间的直接映射，而是关注多个响应信号之间的一致性关系

CRediT作者贡献声明

X.Y. Li：写作 – 审阅与编辑、资金获取、形式化分析、概念构思。Z.C. He：写作 – 初稿撰写。Q.X. Liang：数据管理。L.X. Wang：研究方法、概念构思。W. Zhao：形式化分析。

利益冲突声明

作者声明不存在已知的相互竞争的财务利益或个人关系可能会影响本文所报告的工作。

致谢

本文所述工作得到了国家重点研发计划（编号：<-->2019YFC1511000<-->)的部分资助。

X.Y. Li|Z.C. He|Q.X. Liang|L.X. Wang|W. Zhao