用于轻量级结构监测中高保真压缩重建的融合注意力增强深度卷积生成对抗网络

《ADVANCED ENGINEERING INFORMATICS》：Fusion attention-enhanced DCGAN for high-fidelity compressive reconstruction in lightweight structural monitoring

　　

• 提出了一种融合注意力增强的 DCGAN，用于结构振动信号的高效压缩重建。
• 开发了一种基于 U-Net 的编码器 - 解码器生成器，以直接从原始振动信号中学习稀疏表示。
• 使用了自注意力和通道注意力机制，以在高压缩比下保留多尺度特征。
• 可控的压缩和填充策略实现了灵活、轻量的信号重建。

引言

结构健康监测（SHM）系统对于持续评估和维护结构的安全性、耐久性和适用性至关重要 [1], [2], [3]。随着密集传感器网络的部署增加，海量的响应数据（如加速度、应变和位移）不断产生，给 SHM 中的数据存储、传输和计算带来了巨大负担。这种数据过载导致实时信号处理延迟、现场存储容量迅速耗尽以及无线数据传输期间的带宽需求过高 [4], [5]。此外，捕获瞬态振动响应所需的高频采样增加了边缘监控设备的功耗，并提高了数据丢失或传输中断的风险，从而限制了 SHM 的可扩展性和运行效率。随着传感、通信和计算技术的快速发展，迫切需要开发智能且轻量级的机器学习方法，用于海量结构响应数据的存储和重建。

近年来，压缩感知（CS）作为一种变革性的信号采集技术 emerged，它通过利用响应信号在适当变换域中的固有稀疏性，在采样阶段实现高效的数据压缩 [6], [7], [8]。CS 的核心原理是使用低维测量矩阵获取信号的稀疏投影，并通过基础追踪和贪婪算法等优化技术重建原始信号。这些方法在保留关键动态特征的同时显著减少了数据量。CS 在土木工程中的早期应用主要集中于振动数据压缩和恢复。Bao 等人 [9] 开发了一种群稀疏优化算法，利用多传感器振动信号之间的通道间相关性来重建斜拉桥的风致响应。Wan 等人 [10] 引入了一种时间偏移策略来构建风速信号的专用字典，在变化的压缩比下实现了比传统 CS 方法更低的均方误差。Huang 等人 [11] 提出了一种结合 CS 和稀疏贝叶斯学习的混合插值方案，在严重数据丢失情况下减少了高保真重建所需的传感器数量。Perepu 等人 [12] 进一步推动了 CS 框架内的自适应字典学习，以估计运行数据中的缺失观测值，在桥梁监测典型的多噪声环境中表现出稳健的性能。尽管如此，基于 CS 的结构振动应用方法仍存在两个主要局限性，包括对预定义稀疏性假设的强依赖以及与非凸重建优化相关的高计算成本。

随着计算能力和人工智能的最新进展，深度学习（DL）技术在 CS 应用中显示出显著优势 [13], [14], [15], [16], [17]。基于 DL 的方法在配对的低分辨率和高分辨率信号数据集上训练神经网络，直接从数据中学习非线性先验，从而实现更快的推理和更好的泛化性能。Jiang 等人 [18] 采用编码器 - 解码器 CNN 来捕获多通道振动数据中的时空语义，促进了缺失片段的联合恢复并减少了冗余。Zhu 等人 [19] 引入了一种叠加的双向长短期记忆网络（LSTM）并辅以注意力机制，通过建模传感器之间的时间依赖关系有效地补足了高丢失率。Fan 等人 [20] 提出了基于 CNN 的方法来从下采样加速度中重建模态频率，揭示出重建保真度随丢失率增加而降低，但在高达 90% 的压缩水平下仍可接受。然而，监督式 DL 范式需要大量高保真训练标签，这通常在多种运行条件下不可用，导致过拟合和针对未见激励的泛化能力差。尽管无监督方法避免了这一局限性，但它们通常表现出有限的噪声鲁棒性和不足的全局频率内容表示，导致过度平滑的重建，可能掩盖细微的损伤相关特征。此外，许多现有模型忽略了振动信号的多尺度层次特性，这进一步损害了在极端稀疏性和异质传感器噪声下的准确性。

为了克服这些挑战，特别是训练不稳定、模式坍塌和高频保真度不足，生成对抗网络（GAN）被提出用于无稀疏压缩感知。GAN 由一个生成器和一个判别器组成，生成器从压缩输入合成真实信号，判别器对抗性地评判真实性，形成一个收敛于代表真实数据分布的纳什均衡的极小化极大博弈 [21]。这种对抗训练范式能够在不显式稀疏性假设的情况下隐式提取复杂的信号先验，从而增强重建的真实感。在土木工程应用中，基于 GAN 的方法在振动信号重建方面显示出令人满意的性能。Dong 等人 [22] 开创性地使用深度卷积 GAN（DCGAN）进行从压缩到原始信号的端到端映射，在时域和频域中引入复合损失函数以消除随机采样需求；在 9 层框架和钢结构看台上的验证表明，与 LASSO 和 BCS 相比，其重建速度和准确性更优。An 等人 [23] 进一步提出了一种频域 GAN，采用双分支网络独立重建实部和虚部谱分量，在低稀疏性看台数据上实现了低于 0.04% 的模态频率误差，参数约为 400 万。Fan 等人 [24] 通过增强自注意力机制增强了 GAN 架构，以实现跨全场、多传感器数据集的迁移学习，从而改善了异质桥梁响应的特征映射。Hou 等人 [25] 将 GAN 与 LSTM 集成以解决多类型传感器插值问题，通过运行环境中的数据增强提高了重建准确性。尽管取得了这些进展，现有的基于 GAN 的 CS 方法仍然存在训练不稳定和模式坍塌的脆弱性，特别是在高压缩比下，生成器可能产生有限的信号多样性。此外，传统架构往往无法保留多尺度特征并动态平衡损失分量，导致过度平滑的重建，无法充分捕获风阵风或交通引起的振动等瞬态桥梁动态。超参数敏感性进一步阻碍了其在轻量级监控平台上的部署，因为需要大量调整以维持训练稳定性。因此，迫切需要开发一种自适应 DCGAN 框架，纳入注意力机制、动态加权和多域约束，以实现最小计算开销下的鲁棒、高保真重建。

本文提出了一种融合注意力增强的深度卷积生成对抗网络（DCGAN），用于结构响应信号的压缩感知和重建。所提出的框架采用了增强注意力机制的对称生成器 - 判别器架构，能够从原始数据中直接学习最优稀疏表示，而无需依赖预定义的变换基，从而最大化地利用固有信号相关性。为了增强初始学习阶段的训练稳定性，开发了一种针对传感器数据的综合预处理策略，包括信号归一化和标准化。此外，引入了可控压缩比机制，在保持重建保真度的同时减少数据存储和传输需求。随后嵌入了自注意力和通道注意力机制，以进一步提高生成稳定性，通过时频域约束缓解模式坍塌，并实现不同运行条件下的自适应压缩。使用卡塔尔体育场看台基准数据集和斜拉桥现场监控数据的验证表明，即使压缩比为 4，所提出的方法也能在重建信号和原始信号之间实现高度一致性。

本文其余部分组织如下。首先，提出了结构响应信号的预处理框架，为长期、多源和异质监控数据提供统一处理。接下来，构建了 DCGAN 架构，包含多层卷积模块和层间注意力机制。最后，使用卡塔尔体育场看台和斜拉桥的数据验证了所提出方法在高质量响应信号重建方面的有效性。图 1 显示了所提出方法的总体流程图。

章节片段

压缩感知稀疏理论
通常，稀疏信号的特征是绝大多数分量为零，这使得整个信号能够有效地由有限数量的非零系数表示。设原始信号表示为：x = {x1, x2, x3, …xn} ∈ RN，其中 N 代表信号长度。设 ψ ∈ RN*N 为稀疏化基矩阵。稀疏变换关系可表示为
x=∑i=1Nαiψi=ψα
其中 α 是信号在稀疏化基下的系数向量

研究差距总结
从引言和上述回顾中可以识别出三个主要研究差距。首先，基于稀疏的压缩感知方法严重依赖信号稀疏性假设，在处理复杂非平稳结构响应时性能下降。其次，现有基于深度学习的重建方法无法同时捕获局部瞬态特征和长程依赖关系，导致在高压缩比下信息丢失。第三，

模型架构
与传统 GAN 在生成器和判别器中都依赖全连接层不同，DCGAN 架构在生成器（G）和判别器（D）中纳入了卷积层。这种设计有效地捕获了信号数据中固有的空间特征和结构特征。因此，DCGAN 在信号重建任务中表现出显著的架构优势和性能提升。具体而言，它提高了特征提取能力...

概述
为了展示所提出方法的有效性，使用图 7 所示的钢结构看台模拟器进行了振动实验。该大型实验装置位于卡塔尔大学 [30], [31]。主要承重结构由钢框架组成，如图 7(a) 所示，包括 8 根长 4.6 米的主梁、25 根填充梁和 4 根支撑柱。梁通过可拆卸螺栓接头互连。结构损伤

概述
为了进一步评估所提出框架的泛化能力，选择了位于中国广西的沛森柳江桥进行验证。如图 12 所示，该结构是一座低塔预应力混凝土斜拉桥，总长 570 米（145 米 + 280 米 + 145 米）。桥梁的边跨主跨比为 0.518，桥面宽度为 29 米。结构系统采用双塔双索面布置，

结论
本研究提出了一种融合注意力增强的深度卷积生成对抗网络（DCGAN）框架，用于轻量级 SHM 系统中结构响应信号的压缩感知和高保真重建。所提出的方法使用卡塔尔体育场看台基准数据集和真实斜拉桥现场监控数据进行了验证。主要结论总结如下：
(1) 所提出的融合注意力机制有效地提高了...

CRediT 作者贡献声明
Yafei Ma：写作 – 审阅与编辑，验证，监督，方法论，调查，资金获取，正式分析，概念化。Jinxiao Zhou：写作 – 初稿，验证，方法论，调查，正式分析，数据管理。Hao Zhou：写作 – 审阅与编辑，方法论，调查。Ke Huang：写作 – 审阅与编辑，正式分析。Lei Wang：写作 – 审阅与编辑，方法论。

利益冲突声明
作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢
本工作在以下基金支持下进行：中国国家杰出青年科学基金（52425802），国家自然科学基金（52578163, 52378124），湖南省杰出青年科学基金（2024JJ2003）。衷心感谢上述支持。

Yafei Ma|Jinxiao Zhou|Hao Zhou|Ke Huang|Lei Wang