在缺乏真实世界损伤场景响应的情况下，通过风格迁移进行基于模型的损伤检测

《ADVANCED ENGINEERING INFORMATICS》：Model-based damage detection via style transfer in the absence of real-world damage-scenario responses

　　

- 通过一种创新范式，解决了基于模型的结构损伤检测（SDD）中有限元模型（FEM）与实际结构之间差异这一核心挑战。
- 提出了一种风格迁移-对抗生成方法，该方法在数值模拟和实验中显著优于基线模型，其优势在于充分利用了不受限制的带标签FEM数据（包括损伤情景），而实际数据仅需完好状态数据。
- 明确地将动态特征与不确定性诱导的模式解耦，并通过可视化手段为神经网络"黑箱"提供了清晰的洞察。

**引言**

基础设施的退化，尤其是大型桥梁的退化，构成了日益严重的安全隐患，可能给人类生命、个人财产和国民经济稳定带来严重后果。预防结构失效需要评估结构的退化状况，这一过程被称为结构健康监测（SHM）。SHM系统可以提供结构状态的实时反馈，而这些系统的一个关键组成部分即为结构损伤检测（SDD）。基于振动的SDD方法通过分析收集结构动态信号来研究结构的整体响应，从而实现损伤的发生识别、定位、量化以及剩余使用寿命的估算。这些方法通常可分为两类：数据驱动方法和基于模型的方法[1]。

在数据驱动方法中[2]，首先从健康结构构建一个模式作为基线。随后通过将当前数据中提取的特征与该基线进行比较来评估结构状态。Quek等人[3]采用小波包系数作为损伤指标，成功检测到梁模型中的裂纹。Yang等人[4]利用Hilbert-Huang变换（HHT）方法，通过比较损伤发生前后的固有频率和阻尼比变化来识别结构损伤。Carden等人[5]采用自回归滑动平均（ARMA）模型对瑞士伯恩的一个钢框架模型和预应力梁板桥进行损伤检测。Gao等人[6]提出了一种新型数据驱动方法，直接根据实测数据对风力涡轮机基础疲劳载荷进行建模，将随机载荷转换为恒定幅值进行分析。研究发现疲劳损伤主要积聚在锚笼周围的混凝土中，为地基设计和长期维护提供了关键见解。数据驱动方法能够识别结构响应信号中的异常，并已取得显著进展[5]，但损伤定位及后续更高层次的SHM任务仍然难以实现，这限制了SDD在实际中的应用。

相比之下，基于模型的方法通过构建FEM纳入结构动力学先验知识，从而有望实现更高层次的SDD任务（即损伤定位和量化）。其核心思想是构建一个近似于健康状态下实际结构的基线FEM，作为实际结构的替代模型。当实际结构后来发生损伤时，可以在损伤结构的响应与基线模型的响应之间进行比较分析，以诊断损伤状况。由于FEM与其对应的实际结构具有内在相似性，可以提取动态特性——如固有频率、振型、模态曲率和模态应变能——作为损伤敏感特征来表征结构健康状况。因此，识别FEM与实际结构之间进行交叉比较的适当损伤敏感特征，已成为此类方法成功的关键前提。Adams和Cawley[7]、[8]提出了一种将理论建模与单点振动测量相结合的无损检测方法，可有效检测、定位和量化结构损伤。Parloo等人[9]通过计算振型对质量或刚度变化的敏感性来进行结构损伤检测。他们通过梁结构的实验室实验验证了其方法，并将其应用于阿尔伯克基一座立交桥的现场数据，取得了令人满意的实验结果。Lestari等人[10]利用模态曲率的高敏感性及其局部变化特征作为损伤敏感指标，对复合材料梁进行损伤定位。Kim和Farrar[11]、[12]采用模态应变能作为损伤敏感特征，在实验室条件下准确定位了板梁结构中的损伤。Lee等人[13]提出了一种基于频率响应函数的结构损伤识别方法。研究表明损伤可能引起振动模态之间的耦合，并通过数值模拟验证了该方法的可行性。Pandey等人[14]提出使用柔度矩阵的变化作为损伤指标，并成功在宽翼缘钢梁上演示了损伤定位。尽管基于模型的方法具有较高的理论潜力，即可实现损伤定位和量化，但随着FEM与实际结构之间差异的扩大，其实用性能会下降。

为解决模型-结构差异这一关键挑战，模型更新方法因能够减少此类不匹配而受到广泛关注；其核心原理在于调整FEM的关键参数（包括几何尺寸、材料属性和边界条件），使其动态响应逐步与实际结构的响应趋于一致。Xia等人[15]通过整实测数据与数值模拟研究了温度分布和结构动态响应。他们成功地将实际环境温度条件纳入FEM，从而减少了环境因素影响下模拟响应与实测响应之间的差异。根据模型更新中目标函数所使用的优化算法不同，常用方法包括遗传算法[16]和粒子群优化[17]。尽管模型更新方法已取得实质性进展，但完全消除模型-结构差异仍然是一个重大挑战。

因此，研究人员提出了一种替代方案，从特征提取的角度实现结构损伤检测。神经网络以其在机器学习中强大的特征提取能力，被纳入此类方法后显著提升了结构损伤检测的性能上限。An等人[18]采用卷积神经网络（CNN）识别结构表面裂纹，在混凝土和钢等材料上实现了高识别准确率。Xu等人[19]提出了一种改进的融合CNN架构，用于含噪声和干扰的钢箱梁裂纹检测，相比传统CNN实现了更高的准确率。Zeng等人[20]引入了一种像素级表面裂纹检测和定位方法，实现了表面缺陷的精确识别。Lin等人[21]等利用神经网络作为自动特征提取器，以有限元响应数据作为训练输入。训练后的模型实现了94.57%的损伤定位准确率。对提取特征的可视化分析表明，损伤敏感特征与结构的振型特征具有高度相似性。He等人[22]等提出了一种结合深度卷积神经网络（DCNN）与快速傅里叶变换（FFT）的数据驱动方法。他们对三层框架和ASCE基准模型进行了实验研究，证明了使用FFT-DCNN方法在损伤识别方面具有良好性能。Sun等人[23]等开发了一种利用动态指纹和机器学习检测桥梁多处损伤的方法。Zhao等人[24]提出了一种基于声纳的水下大坝实时损伤检测方法，其成像参数经过优化以获得最佳质量。改进后的检测模型在低对比度、高噪声声纳图像中提高了准确率，并表现出较强的鲁棒性，通过在水库环境中的实际应用得到了验证。Xu等人[25]提出了一种同时检测预制桥梁所有主要构件损伤的方法，解决了现有方法仅关注单一构件的局限性。通过整合多种类型的结构响应数据，该框架实现了准确的损伤定位。Zhang等人[26]提出了一种将二维图像与三维数据相结合的方法，以解决基于视觉的检验中训练数据不平衡的挑战。该方法实现了有效的损伤检测和三维可视化，在现场应用中具有较强实用性。Chen等人[27]提出了一个深度学习框架用于损伤定位，减少了对测试信号主观人工解读的依赖。通过将原始数据转换为视觉特征，该方法实现了面向实际工程应用的高效训练以及损伤定位的高准确率。如前所述，大多数机器学习方法基于监督学习框架，该框架假设训练和测试的采样数据具有相同分布。然而，在实际工程应用中，由于建模误差和环境变异性，通常会出现分布偏移。

域适应（DA）方法能够在数据来自不同概率分布的域之间进行知识迁移，从而减轻训练集与测试集之间分布偏移导致的性能下降。FEM响应和实际响应分别称为源域（Ds）和目标域（Dt），Ds和Dt共享相同的标签空间。通过对Ds和Dt数据从深层提取的抽象特征进行对齐，DA方法提升了性能。Gardner等人[28]将Ds和Dt投影到再生核希尔伯特空间，使用其联合分布之间的距离作为对齐准则，并最小化该特征空间中的差异。Lin等人[29]提出了一种域适应神经网络，在从结构动态响应中提取特征的同时，通过最小化最大均值差异来缩小分布差距。Chen等人[30]开发了一种深度网络架构，最小化Ds和Dt之间的多核最大均值差异。Xu等人[31]引入了一种物理信息驱动的多源域对抗网络，在不同抽象层级执行特征对齐。Xin等人[32]提出了一种DA方法来解决模拟与实测之间的数据差异问题。通过捕获不同损伤情景之间的关系，该方法在有限标注数据下实现了鲁棒的多损伤识别。然而，在真实场景中，仅有完好状态响应可用，因为结构通常处于正常运行状态，导致损伤状态响应的缺失。在这种情况下，我们仅有Ds标签、Ds数据和Dt完好数据。因此，应用DA方法会导致Dt中的完好数据与Ds中的所有数据在深层特征空间中对齐，这可能导致目标域中实际结构状态的误分类。

为解决此问题，提出了一种基于风格迁移的生成对抗方法用于SDD。该方法假设模拟响应和实际响应共享相同的域不变特征，但在完好状态和损伤状态数据中相似的风格特征方面存在差异。因此，将Dt的风格特征与域不变特征融合，可以生成Dt中的损伤状态数据。此外，用于数据生成的网络训练数据仅由Ds和Dt中的完好状态数据组成，从而消除了对Dt损伤状态数据的依赖。此外，对齐Ds和Dt数据的浅层特征进一步减少了SDD任务中的误分类。所提出的方法包括三个步骤，（1）风格迁移：构建一个风格迁移生成网络，在提取域不变特征的同时将其与Dt响应的风格进行融合。（2）细节增强：开发一个生成网络来增强前一阶段生成响应的细节，捕获Dt的细粒度风格特征。（3）结构损伤检测：以前述网络共同贡献生成的损伤状态响应作为训练集，训练分类器来检测Dt中的结构损伤。

本文其余部分结构如下：第2节概述了所提方法的主要思想和神经网络架构细节。第3节进行了全面的数值模拟以评估方法的有效性。第4节详细描述了实验框架，并结合物理验证进一步证实了该方法。最后，第5节总结了研究发现和洞察。

**方法论**

如引言所述，Dt中缺乏损伤状态响应是限制DA方法应用于实际结构的关键因素。为应对这一挑战，所提出的方法基于可用的Ds响应，生成与Dt数据风格相似的损伤状态响应，从而替代不可用的损伤状态响应。一旦生成的响应表现出与Dt损伤状态响应的风格相似性，监督学习方法即可

**数值模拟**

为评估所提出方法的有效性，在数值模拟框架中设计了一个跨域的损伤检测任务。首先，构建一个基准模型来模拟理想结构。

不确定性被引入模型以模拟真实世界的结构，并评估其对SDD性能的定量影响。其次，通过测试来展示所提方法的损伤定位性能，并将其与实验进行比较。为了进一步评估所提方法在实验室条件下的效果，构建了一个简支梁以代表真实世界的结构。首先，建立基准有限元模型来模拟梁，并通过粒子群优化（PSO）算法降低模型误差。然后，为了评估损伤定位精度的改进，对基线模型与所提方法的损伤定位精度进行了比较。最后，为了进一步探索结论与讨论：本文提出了一种基于模型的损伤检测方法，利用风格迁移技术生成损伤场景下的结构响应，以解决真实世界损伤响应数据缺乏的问题。该方法包括三个主要阶段：风格迁移、细节细化和损伤检测分类器训练。在第一阶段，应用风格迁移和对抗生成技术从环境影响模式中提取动态特征。在第二阶段，贡献声明：许联理：撰写初稿、可视化、方法论、调查研究；林志周：撰写审阅与编辑、监督、资金获取、概念化；林军：资金获取；聂振华：监督、资金获取；马宏伟：项目管理。利益冲突声明：本研究不存在利益冲突。致谢：作者感谢国家自然科学基金委（52178289）、国家自然科学基金委（项目编号52408320）、广东省科技协会青年科技人才支持计划（项目编号SKXRC2025430）、广东省城市生命线工程智能防灾与应急技术重点实验室（2022）（项目编号2022B1212010016），以及广东省基础与许联理|林志周|林军|聂振华|马宏伟