摘要
从稀疏或间接测量中重构结构变形场是结构健康监测中的一个关键挑战，尤其对于涉及轻质机械部件的实时应用而言。在弹性线弹性系统中，任何变形状态都可以通过模态叠加表示为结构模态振型的线性组合。利用这一特性，本文提出了一种基于机器学习的框架，用于实时重构受非定常水流的冲击作用的铝板偏转场。该方法将模态叠加与基于有限元模型生成的已知变形状态数据库训练的有监督随机森林分类器相结合。对于每种变形状态，保留的模态通过一种新颖的基于线性回归的准则进行选取，其中最优模态子集通过同时促进回归斜率为单位值、截距趋近于零，以及重构偏转场与参考偏转场之间的皮尔逊相关系数接近于1来确定。所提出的策略与先前开发的内应变势能准则（ISPEC）进行了比较，提供了一种基于能量的模态选择方法与基于重构的模态选择方法之间的直接对比。实验偏转数据通过基于视觉的位移跟踪系统获取。七个测量点位于夹紧边界附近，因此远离流体激励区域，作为重构算法的输入，而额外的标记点放置在更靠近流体载荷区域的位置，仅用于验证，从而为该方法提供更严格的评估。分类器从测量的偏转模式中标识出活跃模态，而全场结构响应则通过模态叠加恢复。实验验证表明，与ISPEC相比，所提出的基于回归的方法一致地提高了重构精度。在最苛刻的验证点（即最靠近流体激励的点），平均重构误差约为约0.3毫米，偏转振幅可达约1.3毫米，对应的归一化均方根误差（NRMSE）为约23%，而使用ISPEC获得的误差为约30%，误差降低了约24%。尽管有这一改进，平均计算时间仍低于约100毫秒，证实了所提框架适用于实时应用。这些结果表明，所提出的方法提供了一种精确、计算高效且鲁棒的解决方案，可用于从稀疏非接触光学测量中进行实时全场变形估计。
