基于多头卷积自编码器(Multi-Head Convolutional Autoencoder, MH-CAE)的结构损伤识别方法及试验验证

《Buildings》：Structural Damage Identification Method and Experimental Verification Based on Multi-Head Convolutional Autoencoder Shuai Jiang, Jun Zhang, Meng Wang, Xinting Chen and Qiang Li

　　

为解决结构损伤识别领域中标记数据稀缺及损伤特征不明显的问题，研究人员提出了一种基于多头卷积自编码器(Multi-Head Convolutional Autoencoder, MH-CAE)的无监督损伤识别方法。该方法引入多尺度卷积核从结构振动响应数据中提取关键特征，结合振动信号重构与差异分析实现结构损伤的自动识别。通过混凝土梁锤击振动试验验证了该方法的有效性。多头卷积自编码器在振动信号重构及后续损伤识别方面均表现出较高精度，且多头一维卷积结构在检测精度和灵敏度上优于传统一维卷积结构。研究表明，该方法可为工程结构健康监测(Structural Health Monitoring, SHM)数据的智能化分析提供有价值的参考。

论文解读：《Buildings》——基于多头卷积自编码器(MH-CAE)的结构损伤识别方法及试验验证(Structural Damage Identification Method and Experimental Verification Based on Multi-Head Convolutional Autoencoder)，作者：Shuai Jiang, Jun Zhang, Meng Wang, Xinting Chen, Qiang Li

一、研究背景与意义

工程结构健康状况直接影响公共安全与社会经济运行。长期服役中受环境侵蚀、材料退化及复杂荷载作用产生累积损伤，若未能及时识别和定位可导致灾难性事故。传统基于模型的方法依赖精确有限元模型且受边界条件不确定性影响；传统数据驱动方法多依赖大量标注样本，而工程中获取和标注损伤数据成本高昂且不现实。现有深度学习损伤识别多依赖监督学习，且常规单尺度卷积自编码器(Convolutional Autoencoder, CAE)对低信噪比、细微损伤特征捕捉能力不足，多尺度特征融合常采用简单拼接或相加忽视跨分支交互。为此，研究人员开展基于无监督多头卷积自编码器(MH-CAE)的结构损伤识别研究，通过混凝土梁试验验证其有效性，对推进结构健康监测(Structural Health Monitoring, SHM)智能化具有重要意义。

二、关键技术方法

研究人员以完好状态下采集的一维加速度振动时程信号为训练样本，构建并训练MH-CAE模型——编码器含三层标准一维卷积及三层并行多尺寸(核长3、5、7)一维卷积"头(head)"，各头提取不同时间尺度局部特征后经通道维度拼接(channel-wise concatenation)再经1×1卷积实现跨通道特征融合与降维，解码器由三层一维转置卷积(Transposed Convolution)上采样重构原信号；以完好态与损伤态信号重构均方误差(Mean Squared Error, MSE)分别记为L_h、L_d，定义损伤指标(Damage Index, DI)=(L_d?L_h)/L_h×100%；试验对象为C30钢筋混凝土梁，人工预制跨中及1/4跨不同深度(5/10/15/20 mm)裂缝模拟损伤，锤击激振采得200 Hz加速度信号经截取为1024点/条样本并做加噪/时移等数据增广，按8:2划分训练/验证集，PyTorch框架下用Adam优化器、MSE损失函数训练300 epoch，并与传统一维CAE对比。

三、研究结果

3.1. Test Profiles（试验方案）

研究人员制备两根钢筋混凝土梁，采用人工预制裂缝模拟不同深度(5、10、15、20 mm)及位置(跨中、1/4跨)损伤工况，布置加速度传感器采集锤击自由振动响应(采样频率200 Hz)，每条信号截取峰值前50点+后974点构成1024点时间序列，经数据增广(叠加零均值高斯白噪声σ=5%幅值、最大偏移2%时长随机循环移位等)将训练样本扩至180条，按80%训练、20%验证测试，网络用三层一维卷积+三层多头一维卷积编码及三层转置卷积解码，训练损失曲线显示模型快速收敛。

3.2. Results Analysis（结果分析）

将预留测试集输入训练好的模型，完好态下CAE与MH-CAE均能较好重构信号，损伤态(跨中10 mm裂缝)出现明显重构偏差；CAE重构RMSE完好/损伤分别为5.74%/6.91%，MH-CAE为3.57%/4.26%。表明MH-CAE在完好态重构更精准、损伤态偏差更显著，具备利用未见过数据识别异常的能力。

四、讨论与结论

4.1. Damage Index Evolution and Experimental Observations（损伤指标演化与试验观察）

对各损伤工况20次锤击取平均DI，CAE所得DI依次为5.34%、27.38%、21.26%、49.54%(梁2)，MH-CAE依次为39.15%、81.96%、85.68%、157.24%；DI随裂缝加深近似线性增长，但CAE在10 mm处出现异常非单调波动且变化幅度小，MH-CAE则呈稳定单调递增趋势，证明多头多尺度融合提升了损伤渐进演化的捕捉灵敏度与抗噪性。

4.2. Mechanism Interpretation and Engineering Applicability（机理阐释与工程适用性）

MH-CAE优势源于不同尺寸卷积核分别捕获高频细微局部变化与中低频广域上下文模式并经1×1卷积跨通道交互融合，使重构误差对刚度退化更敏感；1/4跨损伤因局部刚度折减对整体模态影响弱于跨中损伤且易受噪声掩盖，个别深度MH-CAE略有波动。实际工程中可基于健康态DI均值加n倍标准差设定报警阈值，并需关注损伤位置(多点融合)、真实损伤机制(腐蚀/疲劳/脱粘等较人工裂缝复杂)及环境变异性(温湿度/交通荷载)对信号的干扰。

结论(Conclusions)总结：

(1)所建MH-CAE引入并行多尺度卷积核与拼接+1×1卷积跨通道融合机制，可有效重构完好态加速度信号且在损伤态产生明显重构偏差，证明信号重构用于实际工程损伤识别的可行性。(2)传统CAE在梁2跨中10 mm裂缝时未能准确反映损伤信息，MH-CAE全程一致反映损伤程度，在精度与适应性上具明显优势，更适合复杂结构健康监测。(3)本研究聚焦单一损伤工况，未来将优化MH-CAE权重分布以捕捉局部细微损伤、融合多点传感数据涵盖更丰富损伤位置/程度组合，并与主成分分析(Principal Component Analysis, PCA)、模态曲率、小波分析、支持向量机(Support Vector Machine, SVM)、变分自编码器(Variational Autoencoder, VAE)、长短期记忆网络(Long Short-Term Memory, LSTM)等先进基准方法全面对比，以提升实桥SHM实用性。