基于深度AI故障学习的数字孪生：Z24桥梁结构健康监测基准验证

本文考察了一种新型条件标记生成对抗网络方法的优化式损伤检测与数字孪生能力。该框架在无需系统健康状态先验信息的情况下实现故障异常检测，此在实际应用中具有高度意义。具体而言，当前的人工智能数字孪生方法因获取较少测量数据、缺乏物理知识或损伤状态未知，导致预测不确定性。为此，考察了无监督框架并在Z24桥梁——一座位于瑞士的后拉伸混凝土高速公路桥梁的结构健康监测基准数据上进行了严格验证。在实施该方法时，首先将不同损伤水平的测量数据作为输入，迫使模型在两个不同损伤状态间收敛。随后对另一组测量数据重复此过程。最后比较收敛得分以识别哪一组数据属于不同损伤状态。健康到健康以及损伤到健康的输入数据过程同时为数字孪生生成不同损伤状态的测量数据，具备模式识别和机器学习数据生成能力。此外，开发了支持向量机分类器和主成分分析程序，用于评估每个损伤类别的生成数据与真实数据的关系，作为损伤场景下的次新动力学学习指示器。重要的是，该方法准确捕获损伤与健康测量之间的差异，为基于振动的系统级监测和可扩展基础设施韧性提供了强大工具。