基于循环神经网络的薄壁结构冲击影响定位：从真实数据到端到端学习

如今，机器学习无处不在，结构健康监测（SHM）也不例外。具体而言，我们关注薄壁结构冲击定位的问题，了解冲击位置有助于评估结构完整性。薄壁结构上的冲击会激发拉姆波，这些波可通过压电传感器测量。其色散特性使得通过传统方法检测和定位冲击变得困难。本研究探索了使用神经网络进行冲击定位的可能性。特别是，我们提出使用循环神经网络（RNN）从序列传感器数据直接端到端地估计冲击位置。为此，我们提出的方法基于门控循环单元（GRU），因为与传统 RNN 相比，GRU 对梯度消失更不容易受到影响。质量和数据的数量是训练神经网络的关键因素。通常会使用合成数据，这不可避免地引入现实差距。相较之下，我们使用来自实验的物理数据进行训练，这需要自动化来处理大量实验所需的工作。为此，我们使用一个机器人在装有压电陶瓷传感器的铝板上 dropping 钢球。我们的结果显示，即使在较小数据集的情况下，估计冲击位置的准确性也非常突出。