基于变化环境与运行条件的数据驱动导数框架用于引导波结构健康监测的前向与反向问题
信号处理
2024-10-08 v2
摘要
最近，引导波技术在结构健康监测（SHM）领域受到研究人员的广泛关注，用于损伤检测与定量分析。提取对结构条件变化敏感的特征已成为关键步骤。由于来自环境和操作条件（EOCs）的干扰，以及来自复杂系统中边界和损伤反射的波形，手动提取与系统状态相关的特征具有挑战性。为此，已开发并应用于系统识别任务的各种神经网络能够自动派生特征。其中，卷积自编码器（CAEs）作为损伤探测器被证明有效，将数据高效地投射到潜空间。然而，现有的基于 CAE 的损伤诊断模型往往忽视了 EOCs 的影响，这些因素可能显著影响模型性能。本文引入一种方案，在准确损伤水平分类的同时估计 EOCs，如负载条件，从而使模型适应于变化的外部因素。通过重新结构化和结合 CAE 与前馈神经网络（FFNN），所提出的方案还能实现信号重建，这在数据有限时可能是个有价值的特性。该方法在不同负载条件下具有各种损伤水平的铝板上进行验证，实现了近乎完美的状态分类和低误差信号重建。该框架也在不完整数据集上进行测试，以验证其鲁棒性。
引用
@article{arxiv.2410.01127,
title = {Data-driven Framework for Forward and Inverse Problems in Guided Waves-Based Structural Health Monitoring Under Varying Environmental and Operating Conditions},
author = {Yiming Fan and Fotis Kopsaftopoulos},
journal= {arXiv preprint arXiv:2410.01127},
year = {2024}
}