从运行变异性中解耦损伤：一种用于仅输出结构损伤识别的无标签自监督表示学习框架
机器学习
2026-04-22 v1
摘要
损伤识别是结构健康监测的核心任务。然而在实际中，其可靠性常受非损伤混淆效应（如激励和环境条件的变化）的影响，这些变化可诱发与结构损伤相当甚至更大的改变。为应对这一挑战，本研究提出了一种用于鲁棒基于振动的结构损伤识别的自监督无标签解耦表示学习框架。该框架采用具有两个潜在表示的自编码器，直接从原始振动加速度信号中学习。使用假定结构损伤恒定但运行和环境条件变化的基线数据，通过 Variance-Invariance-Covariance Regularization (VICReg) 对其中一个潜在表示施加自监督不变性正则化。此外，引入频域约束以强制从潜在表示重建的功率谱密度与从相应输入时间序列计算的功率谱密度之间保持一致。这些机制共同促进解耦，使学习到的表示对损伤相关特征敏感，同时对干扰变异性保持不变。该框架以完全端到端和无标签的方式进行训练，无需关于损伤、激励或环境条件的先验信息，使其非常适合实际应用。其有效性在两个不同的真实世界振动数据集（包括桥梁和齿轮箱）上得到验证。结果表明，该框架对运行变异性具有鲁棒性，具有强泛化能力，并在损伤检测和量化中均表现出良好性能。
引用
@article{arxiv.2604.19658,
title = {Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification},
author = {Xudong Jian and Charikleia Stoura and Simon Scandella and Eleni Chatzi},
journal= {arXiv preprint arXiv:2604.19658},
year = {2026}
}