基于新型统计信息神经网络（SIMIMO-CNN）与压电电流信号的结构损伤识别

《Developments in the Built Environment》：Structural damage identification based on a novel statistics-informed neural network and piezoelectric current signals

　　

识别多个结构区域中同时发生的损伤相关变化需要信息丰富的信号表示和可靠的区域回归。研究人员提出一种基于统计信息的多输入多输出卷积神经网络（multi-input multi-output convolutional neural network, SIMIMO-CNN），用于利用锆钛酸铅（lead zirconate titanate, PZT）电流时程进行结构损伤识别。多通道卷积特征与逐通道均方根（root-mean-square, RMS）描述符相融合，以结合时间模式与显式信号幅度信息。一种区域加权混合均方误差（mean squared error, MSE）–Huber损失对受损区域和未受损区域施加不同的惩罚，并采用自适应Huber阈值。该网络将传感器信号直接映射为连续的区域预测向量。实验采用18区域混凝土板和五区域缩尺桥梁模型。对于每种结构，与常规CNN相比，板试件的平均受损区域相对误差从0.151降至0.047；相应的桥梁误差从0.243降至0.131。平均余弦相似度分别达到0.9908和0.9810。这些结果证实了所提方法的有效性。

结构健康监测（Structural Health Monitoring, SHM）是保障基础设施安全、可靠和可服役性的关键技术。长期运营中，结构不可避免地遭受环境侵蚀、材料老化、疲劳累积和意外荷载，可能导致局部损伤萌生与渐进劣化，若不能及时识别和评估，可能危及结构性能甚至引发灾难性破坏。传统基于低频振动的方法主要利用固有频率、振型、加速度等低频特征，但压电传感器凭借机电耦合和高频激励特性，对微小损伤更为敏感，其中基于压电阻抗的方法被广泛用于局部损伤检测。然而，传统统计损伤指标（如均方根偏差、平均绝对百分比偏差等）依赖专家先验知识和手工特征工程，且压电响应信号具有非线性和高维特征，限制了常规方法对损伤敏感信息的充分利用。尽管卷积神经网络已被用于压电阻抗信号损伤识别，但现有研究多面向分类或单区域估计，难以同时应对多个区域同时变化时的连续区域回归问题。为此，研究人员提出了基于统计信息的多输入多输出卷积神经网络（SIMIMO-CNN），将多通道时间特征与显式通道RMS幅度描述符融合，并设计区域加权混合损失，实现对多区域损伤的连续识别。

研究人员在18区域混凝土板（C30，尺寸600mm×300mm×30mm）和五区域缩尺桥模型（原型为玉溪河大桥，几何缩尺1:100，质量缩尺1:10000）上开展实验。采用附加质量法模拟结构动力特性变化：板设置四种附加质量等级（0.75、1.50、2.25、3.00kg）施加于18个区域，共102种质量配置；桥设置三种等级（1.50、3.00、4.50kg）施加于5个区域，共30种配置。每个配置分别采用线性、二次、对数chirp波形激励，频段0–600kHz，电压10V，PZT电流采样率1.92MHz，保留每通道960点有效窗口。板获得306个四通道样本，桥获得90个四通道样本，按约8:2划分训练与验证集，并各自预留6个未见测试场景。网络输入为四个PZT电流通道，输出为对应区域附加质量向量。SIMIMO-CNN包含卷积分支与RMS分支：卷积分支由四层一维卷积（通道数64/128/256/512，核大小7/5/5/3，步长2）组成，每层后接批归一化和ReLU，经全局自适应平均池化得到512维特征，再经全连接层；RMS分支计算每个PZT通道的电流RMS值并作为显式幅度描述符，与卷积特征拼接后由线性层映射为区域输出。损失函数采用区域加权混合MSE–Huber损失：受损区域施加二次（MSE）惩罚，未受损区域施加Huber惩罚，Huber阈值基于批内未受损区域误差绝对中位数自适应确定；区域权重η通过指数移动平均在[0.1,0.5]内动态调整（初始值0.3，β=0.95）。评估指标包括受损区域相对误差（MRE(d)）、未受损区域最大假阳性率（FPR(u,max)）和余弦相似度（CS）。

### 3.1 混凝土板实验结果
在单区域测试场景（场景1–3）中，SIMIMO-CNN的MRE(d)分别从CNN的0.068降至0.010、0.098降至0.047、0.140降至0.021。多区域同时损伤场景（场景4–6）中，SIMIMO-CNN在受损区域估计和未受损区域误报抑制上均优于CNN。六个场景平均，板MRE(d)从0.151降至0.047，FPR(u,max)从0.372降至0.133，CS从0.9429增至0.9908。三区域同时损伤的场景6仍最具挑战，MRE(d)从0.314降至0.154。

### 3.4.1 卷积设计与网络配置的影响
比较不同卷积核大小、网络深度/宽度及深度可分离卷积后，参考配置（四阶段，核7/5/5/3，宽度64/128/256/512）表现均衡；减小深度或宽度会降低预测性能，增大深度或宽度仅带来有限提升，因此保留参考配置。

### 3.4.2 损失函数的影响
比较L₁、L₂、MSE、Huber及混合MSE–Huber，并区分固定与自适应区域加权。结果显示区域加权优于无加权，自适应加权优于固定加权；混合MSE–Huber损失配合自适应区域加权取得最低MRE(d)=0.047和FPR(u,max)=0.133，CS达0.9908。

### 3.4.3 与代表性先进模型的比较
在相同训练协议下与CNN–LSTM、注意力增强CNN（一维CBAM）、CNN–Transformer比较。SIMIMO-CNN获得最低MRE(d)、FPR(u,max)和最高CS；注意力机制与Transformer变体误差较大，说明先进模块并非对任意任务都有效。

### 3.4.4 传感器数量和配置的影响
比较单对传感器（1+4、2+3）与四传感器配置。四传感器在所有指标上最优；双传感器仍可保留89.28%和92.03%的CS，说明互补的测量对能保留较多空间分布信息。

### 4.3 缩尺桥模型实验结果
单区域场景中，场景3的MRE(d)从CNN的0.173降至0.086。六个场景平均，桥MRE(d)从0.243降至0.131，FPR(u,max)从0.565降至0.343，CS从0.9296增至0.9810。场景4（两区域分别施加0.75kg和3.75kg）仍最难，SIMIMO-CNN的MRE(d)为0.240，FPR(u,max)为0.960。

### 4.4 缩尺桥模型的实验比较
卷积设计与网络配置影响与板类似，参考配置均衡，双倍宽度仅略微降低MRE(d)至0.129但不改善其他指标。损失函数比较中，自适应混合MSE–Huber损失最优，MRE(d)从固定权重的0.142降至0.131，FPR(u,max)从0.362降至0.343。先进模型比较中，SIMIMO-CNN同样最优（MRE(d)=0.131，FPR(u,max)=0.343，CS=0.9810），CNN–LSTM接近CNN，注意力与Transformer变体较差。

讨论部分表明：显式RMS幅度特征与卷积时间特征融合、区域加权混合损失以及自适应权重更新，对提升多区域损伤估计性能具有积极作用。注意力机制和Transformer结构虽被广泛使用，但在本任务中未带来优势，其有效性依赖于数据特点、预测目标和模块集成方式。减少传感器数量会增大估计误差并降低空间模式相似度，但合适的传感器对仍能保留大部分信息。

研究结论可概括为：SIMIMO-CNN将学习的时间特征、显式通道RMS描述符和区域回归加权集成于同一网络，在混凝土板和缩尺桥模型上验证了其有效性。相比常规CNN，受损区域估计误差显著减小（板平均MRE(d)由0.151降至0.047，桥由0.243降至0.131），未受损区域假阳性率降低（FPR(u,max)分别由0.372降至0.133、0.565降至0.343），预测与真实空间分布的一致性提高（CS分别达0.9908和0.9810）。该框架可在一次网络输出中同时估计多个区域的连续损伤指标，支持多区域PZT监测。未来工作将验证组件特定增益、减少传感器时的性能以及物理损伤和环境变化下的鲁棒性。