融合分数阶与多重分形特征用于桥梁损伤检测的双流深度学习框架

《Algorithms》：A Dual-Stream Deep Learning Framework Fusing Fractional-Order and Multifractal Features for Bridge Damage Detection

　　

深度学习在基于振动的损伤检测中展现出潜力，然而其实际部署受限于数据稀缺、环境敏感性与可解释性不足。为解决上述问题，研究人员提出一种双流框架，显式嵌入分数阶与多重分形物理先验。Grünwald–Letnikov分数阶导数（ν = 1.3）锐化与损伤相关的奇异性，而多重分形去趋势波动分析（MF-DFA）生成跨传感器阵列的多尺度复杂性空间图谱。时间流（1D-CNN + BiLSTM）处理分数阶增强信号，空间流（2D-CNN）处理源自同一增强信号的MF-DFA图谱。在本文采用的评估协议下，该框架在Z24桥上达到97.3%准确率，在独立的KW51同数据集实验中达94.8%；在跨桥实验中，Z24预训练模型在KW51上无目标域更新时准确率为86.7%，在目标数据10%微调后达94.6%。

研究背景方面，桥梁作为交通网络关键节点，隐蔽性退化可能引发严重安全事故与经济连锁损失，基于振动的结构健康监测（SHM）因损伤会改变刚度、质量、阻尼与边界条件而具备物理基础，但损伤特征常弱于温度、交通、噪声等运营环境干扰。纯数据驱动深度学习面临三重瓶颈：损伤标注样本稀缺、黑箱决策缺乏物理可解释性、跨结构配置与环境的域偏移导致泛化退化（即SHM可迁移性鸿沟）。与此同时，分数阶微积分可放大信号奇异性并抑制噪声，多重分形去趋势波动分析（MF-DFA）能通过奇异谱刻画非平稳响应中的多尺度复杂性，两类物理先验具互补价值，但既有混合方法多将物理特征作为浅层分类器输入，或未端到端融合局部瞬态与全局非线性复杂度。本文发表于《Algorithms》，旨在填补上述空白。

关键技术方法上，研究人员采用瑞士Z24三跨预应力混凝土箱梁公路桥（100 Hz采样、16加速度计、含未损伤及6类人工损伤状态）与比利时KW51钢系杆铁路桥（重采样至100 Hz、12加速度计、以加固前后为状态区分）两座基准桥；预处理中对每窗10 s信号施以Grünwald–Letnikov分数阶导数（截断阶固定，网格搜索得ν = 1.3）以增强奇异性，继而对每个传感器分段做MF-DFA提取奇异谱宽度Δα、最概然分形维数f(α₀)、非对称指数A_s、左右谱宽Δα_L/Δα_R五项特征，按传感器沿跨向物理位置排成空间特征图；双流网络时间流为三层1D-CNN（核16/8/4）+BiLSTM(128)+全局平均池化，空间流为两层2D-CNN(3×3)+全局平均池化，两向量拼接经全连接与softmax分类，训练用分类交叉熵、Adam(lr=1e-3)、早停，跨桥微调时冻结骨干仅训分类头(lr=1e-4)。

研究结果部分，3.1节实验设置中明确两桥材料、激励与传感器拓扑差异构成严苛跨域测试，实现细节给出ν=1.3由来及MF-DFA尺度s∈[10,500]、q∈[-5,5]。3.1.3节训练收敛显示Z24上85轮早停、验证准确率约93%且 Train-Val 曲线贴合，迁移KW51时趋势一致。3.2节分类性能中，Z24六态总准确率97.3%（D1早期94.2%至D6严重99.1%），KW51同数据集94.8%，证明分数阶抑制温度趋势后多重分形仍捕获损伤签名。3.3节损伤定位中，2D-CNN显著图在Z24的D1墩沉降、D5混凝土铰失效分别聚焦对应墩位与中跨传感器，空间注意力与真实损伤位置对齐，提供物理可解释证据。3.4节消融表明：原始信号1D-CNN+BiLSTM基线最低；仅加分数阶提4.3%；仅MF-DFA+2D-CNN得91.8%且具定位力；全双流较基线提7.8%且定位误差最小；表4受控基线对比中本模型准确率最高且唯一输出传感器级显著图。3.5节跨数据集泛化中，Z24→KW51零样本得86.7%，用分层随机选10% KW51（健康/损伤各60段）监督微调分类头后升至94.6%；图9显示本文损伤指标(DI)在-5~25 °C区间健康态稳定，而纯1D-CNN基线DI随温度漂移致误报，归因于分数阶压低频趋势、多重分形取固有复杂度、双流互补降假阳。3.5.3讨论指出物理先验与深度学习协同、双流分治时空、显著图可追溯、跨桥迁移证明学到损伤物理而非数据伪影，但ν=1.3非普适常数、仅两桥不足以断言通用，新桥须重校准。3.5.4局限列明：标签仅限基准人工态、传感器等距假设对不规则阵列需用图卷积、分数阶参数依采样与噪声耦合、零样本属有监督微调参照下的结果、温湿老化漂移未隔离、未测推理延迟。3.6总结复述上述五项成就。

讨论与结论翻译部分，研究人员在结论中归纳：其一，Grünwald–Letnikov分数阶微分（ν=1.3）放大损伤奇异性并抑环境噪，单此预处理较原始信号基线提4.3%；其二，MF-DFA特征按传感器位排布使2D-CNN学全局空间损伤图，单空间流91.8%证多尺度复杂性对损伤敏感；其三，双流融合在Z24得97.3%、KW51同数据集94.8%，受控比对优于表4基线，但属基准内证据非通用SOTA宣称；其四，空间显著图对齐监测传感器位并提供若干损伤标签事后空间证据，Z24→KW51零样本86.7%、分层10%微调至94.6%；其五，当前证据受两桥类型、固定传感器序、离散标签、经验定ν及未完全验证计算/迁移细节限制，未来应走向图表示、不确定性感知检测、连续严重程度估计与前向多桥验证。