使用卷积神经网络恢复丢失的振动测试数据：案例研究
信号处理
2022-11-15 v2 机器学习
系统与控制
图像与视频处理
系统与控制
摘要
结构健康监测（SHM）网络中的数据丢失近来已成为工程师面临的主要挑战之一。因此，对于通常代价高昂的 SHM 而言，一种数据恢复方法必不可少。近来，一些技术提出使用神经网络（NN）算法来恢复这些宝贵的原始数据。其中，基于卷积这一数学运算的卷积神经网络（CNN）可应用于信号等非图像数据集，在无人工监督的情况下提取重要特征。然而，不同参数的影响尚未针对 SHM 应用进行研究与优化。因此，本文旨在针对基于 CNN 算法、以真实结构 Alamosa Canyon Bridge 为对象的最新提出方法之一，提出不同架构并研究不同超参数的影响。为此，考虑了三种不同的 CNN 模型，分别通过寻找其他传感器间的相关性来预测一个和两个故障传感器。随后用实验数据训练 CNN 算法，结果表明该方法在预测 Alamosa Canyon Bridge 缺失数据方面具有可靠性能。通过增加卷积层提高了模型的精度。此外，用与 CNN 模型相同的输入输出训练了一个含两个隐藏层的标准神经网络。基于结果，CNN 模型比标准神经网络具有更高精度、更低计算成本且速度更快。
引用
@article{arxiv.2204.05440,
title = {Lost Vibration Test Data Recovery Using Convolutional Neural Network: A Case Study},
author = {Pouya Moeinifard and Mohammad Sadra Rajabi and Maryam Bitaraf},
journal= {arXiv preprint arXiv:2204.05440},
year = {2022}
}