基于层级特征融合的海上平台缺失加速度响应重构方法

《Journal of Marine Science and Engineering》：Hierarchical Feature Fusion Reconstruction of Missing Acceleration Responses for Offshore Platforms

　　

传感器故障与传输中断导致的加速度响应缺失会削弱海上平台结构健康监测（Structural Health Monitoring, SHM）的可靠性。针对连续数据缺失问题，本研究提出一种层级特征融合重构（Hierarchical Feature Fusion Reconstruction, HFFR）方法。HFFR在三个互补层级上组织响应信息：多尺度局部响应形态编码捕获不同时间邻域内的局部动态特征，双向时序建模利用缺失段前后的响应演化信息，基于相关性的自适应特征加权则强调与重构更相关的时序信息。该方法利用导管架海上平台在多种波流耦合工况下的数值加速度响应以及哈当厄大桥（Hardanger Bridge）的长期实测响应进行验证。消融实验证实了三个信息层级的互补贡献，而与CNN-LSTM和BiLSTM-SA的对比表明，所提方法具有更高的重构精度并更好地保留了响应特征。时域与频域分析进一步显示，HFFR能够恢复主要波形变化及主要动态频率成分。在不同连续缺失比例下的实测数据实验中，随着数据缺失程度的增加，该方法仍保持稳定的性能表现。上述结果表明，HFFR在所评估的数值与实测数据集上对连续缺失响应重构具有有效性，而更复杂的缺失模式与噪声条件仍有待进一步研究。

论文解读：基于层级特征融合的海上平台缺失加速度响应重构方法

一、研究背景与问题

海上平台在其服役期内长期承受风、浪、流等复杂环境荷载作用，同时海水腐蚀、材料老化和疲劳损伤累积会逐步削弱其结构性能。结构健康监测（Structural Health Monitoring, SHM）系统通过持续采集加速度、应变和位移等响应数据，为模态识别、状态评估、损伤诊断和剩余寿命预测提供支撑。然而，大型海上结构受安装条件、成本和维护难度限制，传感器通常仅布置于少数关键位置，使得各测点长期采集的数据尤为珍贵。在复杂海洋环境中，传感器故障、供电异常、通信中断和数据传输错误难以完全避免，可能导致监测数据出现连续缺失。数据缺失会破坏结构响应时间序列的完整性和连续性，进而降低后续模态识别、状态评估和损伤诊断的可靠性。因此，准确重构缺失的结构响应对于维持海上平台SHM数据质量具有重要意义。

现有缺失结构响应重构方法主要分为基于物理的方法和基于数据驱动的方法。基于物理的方法利用结构动力学方程、有限元模型、模态参数或外部荷载等先验知识建立未知响应与实测响应之间的关系，具有较明确的物理解释，但其性能高度依赖结构模型、边界条件和荷载信息的准确性。对于长期运行于复杂海洋环境的大型结构，结构参数和环境荷载均存在不确定性，构建并持续更新高保真参考模型面临挑战。基于数据驱动的方法直接从历史监测响应中蕴含的统计相关性和时间依赖性恢复缺失数据，代表性方法包括卡尔曼滤波、贝叶斯推断和压缩感知等，但这类方法通常依赖状态空间模型、概率分布或信号稀疏性等特定假设，可能限制其对复杂非平稳结构响应中非线性关系的表征能力。

近年来，深度学习为结构监测数据恢复提供了新途径，包括卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）、双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）以及注意力机制等方法的组合应用。尽管已有研究证明了卷积特征提取、双向时序建模和注意力加权在结构响应重构中的有效性，但对于连续缺失加速度响应，如何协调利用这些不同类型的信息仍有改进空间。CNN-LSTM方法结合了局部特征提取与时间依赖性建模，但通常在序列建模后未显式区分时序特征的贡献，弱相关或冗余信息仍可能影响重构效果。BiLSTM-注意力方法利用双向时序关系并自适应加权时序特征，但对不同时间邻域内局部响应形态的多尺度表征能力有限。因此，这两类方法未能在统一重构过程中显式协调局部响应形态、双向时序演化和时序特征相关性三个层面的信息。

具体而言，连续缺失响应重构需要三类互补信息：第一，结构加速度响应在不同时间邻域内呈现不同的局部形态，单一时间尺度无法完整表征；第二，由于连续缺失段内没有有效观测值，必须利用缺失区域前后可用数据推断响应演化；第三，不同时刻的时序特征对目标响应的相关程度不同，不应等权贡献于重构。关键问题并非简单地堆叠网络模块，而是按照明确的功能角色组织这些互补信息源。

二、研究内容与结论

针对上述问题，研究人员提出一种层级特征融合重构（Hierarchical Feature Fusion Reconstruction, HFFR）方法，为三类互补信息源赋予明确功能角色。多尺度局部响应形态编码首先在不同时间感受野上提取局部动态特征，包括快速振荡、峰谷转换和幅值包络变化；双向时序建模利用缺失数据前后的有效响应表征时序演化；基于相关性的自适应特征加权根据时序特征与目标响应的相关性调整其贡献。该方法在导管架海上平台多种波流工况数值响应和哈当厄大桥长期实测响应上进行了验证。消融实验证实三个信息层级具有互补贡献；与CNN-LSTM和BiLSTM-SA的对比表明，HFFR具有更高的重构精度和更好的响应特征保留能力；时域和频域分析显示HFFR能够恢复主要波形变化和主要动态频率成分；不同连续缺失比例下的实测数据实验表明，随着数据缺失程度增加，该方法仍保持稳定性能。该研究的意义在于，HFFR的贡献在于层级协调局部形态表征、双向时序演化和基于相关性的特征加权，而非个别网络算子本身，为连续缺失响应重构提供了新的方法论框架。

三、主要关键技术方法

研究人员提出的HFFR方法包含三个核心功能模块。多尺度局部响应形态编码采用三个并行一维卷积分支，卷积核大小分别为3、9和15，覆盖不同宽度的局部时间感受野，小感受野捕获相邻时刻间的快速变化，大感受野聚合更宽局部邻域内的缓变信息。双向时序建模采用两层BiLSTM，每层隐藏维度为64，通过前向和后向两个时间方向更新隐状态，使缺失数据前后的有效响应同时参与重构过程。基于相关性的自适应特征加权采用单头注意力机制，特征维度为16，将双向时序特征矩阵投影为查询矩阵、键矩阵和值矩阵，通过缩放点积计算不同时刻间的特征相关性并经SoftMax归一化获得注意力权重，对值矩阵加权得到加权特征表示。模型采用均方误差（Mean Squared Error, MSE）作为损失函数，使用Adam优化器训练，初始学习率为0.0005，批大小为32，最大训练轮数为1000，早停机制在验证损失连续20轮未下降时触发。数值数据集来源于ANSYS 2022 R1建立的导管架海上平台有限元模型，平台总高65 m，甲板长30 m、宽20 m，工作水深45 m，采用JONSWAP谱描述随机波浪并基于莫里森（Morison）方程计算波流联合水动力荷载，设置五种波流工况，12个加速度监测点以10 Hz采样，每种工况模拟1000 s。实测数据集采用哈当厄大桥2014年9月26日至28日的长期监测数据，选取H1E、H1W、H5E、H5W、H9E、H9W六个监测位置的三分量加速度响应，降采样至10 Hz后使用。

四、研究结果

消融实验。 为探究HFFR中各功能机制的贡献，研究人员构建了三个渐进式模型配置。仅使用双向时序建模（Bidirectional Temporal Modeling, BTM）的变体1取得RMSE为0.5047、R²为0.7514，表明缺失数据前后响应间的时序关系可支持部分重构，但对局部响应形态细节的表征能力有限。引入多尺度局部响应形态编码（Multi-scale Local response Morphology Encoding, MLME）后，变体2的RMSE降至0.2727，较变体1降低45.97%，R²提升至0.9426，表明不同宽度时间邻域获取的局部响应形态为缺失数据重构提供了更全面的特征信息。进一步引入基于相关性的自适应特征加权（Adaptive Feature Weighting, AFW）后，RMSE降至0.1115，较变体2进一步降低59.11%，R²提升至0.9851。总体而言，三个功能机制渐进引入使RMSE从0.5047降至0.1115，总降幅达77.91%，R²从0.7514提升至0.9851，证实三个信息层级提供互补信息，支持HFFR的层级特征融合策略。

海上平台数值实验的模型对比。 研究人员选取CNN-LSTM和BiLSTM-SA作为基线模型进行对比。训练和验证损失曲线显示，BiLSTM-SA在第263轮达到最小验证损失0.18199，误差相对较高；CNN-LSTM取得较低的最小验证损失0.09845，但在第474轮才达到最优验证状态，收敛过程较长；HFFR在第287轮达到最小验证损失0.00953，损失下降迅速且波动较小，在相同训练条件下取得更低验证误差和更稳定的优化过程。时域分析表明，在五种波流工况下，HFFR重构响应均紧密跟随目标信号的时序演化，能够复现主要峰谷、局部幅值包络和精细波动，无明显持续基线漂移或时间错位。频域分析显示，所有工况下加速度响应存在两个主要频带，第一个集中在约0.05–0.3 Hz，对应波浪激励频率范围；第二个集中在约1.2–1.4 Hz，对应平台前三阶固有频率（1.2514、1.2560和1.3508 Hz）。重构频谱在主频范围内与目标频谱高度一致，尤其在低阶固有频率对应的主峰附近，重构频谱紧密跟随目标频谱的局部变化，差异主要出现在2 Hz以上的弱分量。散点图分析表明，BiLSTM-SA的散点分布最为分散，在大幅正负响应区域出现明显向中心区域收缩的现象，表明对部分极端响应存在显著低估；CNN-LSTM的散点分布较集中，但在高幅值区域和局部极值附近仍有偏差；HFFR的散点在整个响应范围内紧密集中于参考线附近，正负响应均保持良好一致性。定量评估显示，HFFR取得最低RMSE 0.1115和最高R² 0.9851，相比CNN-LSTM（RMSE 0.2924，R² 0.9184），RMSE降低61.87%，R²提升0.0667；相比BiLSTM-SA（RMSE 0.5068，R² 0.7548），RMSE降低77.99%，R²提升0.2302。

哈当厄大桥实测数据验证。 研究人员采用哈当厄大桥长期监测数据在20%、40%和60%三种连续缺失比例下进行独立验证。时域结果显示，在20%缺失比例下，HFFR重构响应与目标响应紧密吻合，主要极值、幅值变化和局部波动均得到良好恢复；缺失比例增至40%时，连续缺失段变长，可用有效信息减少，若干局部极值处出现轻微幅值偏差，但重构响应仍紧密跟随目标响应的主要变化模式；缺失比例增至60%时，局部极值和精细波动的重构误差更为明显，但主要峰谷位置、整体振荡模式和时序演化仍与目标响应保持良好一致。定量结果显示，随着缺失比例从20%增至60%，HFFR的RMSE从0.1148增至0.1981，R²从0.9764降至0.9287。在三种缺失比例下，HFFR均取得最低RMSE和最高R²，且性能退化幅度小于两个对比模型。相比CNN-LSTM，HFFR的RMSE降低30.90%至52.58%，R²提升0.0766至0.0890；相比BiLSTM-SA，RMSE降低51.77%至67.59%，R²提升0.2075至0.2572。在40%连续缺失比例下，HFFR取得RMSE 0.1426和R² 0.9594。

五、讨论与结论

讨论部分指出，HFFR已在数值海上平台响应和实测哈当厄大桥响应两类结构配置、动态特性和数据来源差异显著的数据集上验证了稳定的重构性能。然而，当前验证仍存在若干局限：海上平台验证主要基于数值模拟，实际海洋监测环境中环境与运行条件的长期变化、测量噪声和复杂传感器故障有待进一步研究；当前评估聚焦于中央位置的连续缺失段，其他实际相关场景包括不同缺失位置、随机缺失点、多个不连续缺失段、完全传感器失效和显式噪声敏感性尚未系统研究；当前框架主要利用单个监测位置内部的时序信息，不同传感器间的空间相关性仍未充分利用。未来工作方向包括：利用实际海上平台、浮式海上结构、海上风机和缩尺物理模型的长期监测数据进一步评估方法；研究更复杂的缺失机制和噪声条件以评估更真实监测场景下的重构性能；利用多个监测位置间的空间相关性开发时空协同重构方法以应对更复杂的缺失场景。

结论部分可翻译为：为应对结构健康监测中连续缺失加速度响应的重构问题，本研究提出层级特征融合重构（HFFR）方法，并利用导管架海上平台多种波流工况数值响应和哈当厄大桥长期实测响应进行评估。主要结论如下：第一，HFFR在三个互补层级组织结构响应信息，即多尺度局部响应形态、双向时序演化和时序特征相关性，分别通过多尺度局部响应形态编码、双向时序建模和基于相关性的自适应特征加权进行表征与融合，其核心特征并非卷积、BiLSTM和注意力模块的简单组合，而是根据连续缺失响应的信息需求建立具有明确功能角色的层级重构过程。第二，消融实验证实三个信息层级的互补贡献，多尺度局部响应形态编码增强了不同时间邻域内局部振动特性的表征，基于相关性的自适应特征加权进一步改善了有效时序特征的利用，随三个功能机制渐进引入，RMSE持续降低而R²持续提升。第三，海上平台多工况数值实验表明，HFFR能够准确重构连续缺失加速度响应并保留主要动态特性，相比CNN-LSTM和BiLSTM-SA取得更低重构误差和更高响应一致性，RMSE为0.1115、R²为0.9851，时域结果显示重构响应保留主要极值、幅值包络和局部波动，频域分析显示波浪激励频带和与平台低阶固有频率相关的主要动态频率成分得到有效保留。第四，哈当厄大桥实测数据进一步验证了HFFR对现场监测响应的重构能力，在20%、40%和60%连续缺失比例下均保持较低RMSE和较高R²，尽管随缺失比例增大局部细节恢复更具挑战性，但主要响应演化仍得到有效重构，表明HFFR能够适应不同程度的连续数据缺失，支持其在不同结构健康监测数据集中连续缺失响应重构的适用性。