基于机器学习的仅输出结构模态识别方法

在本研究中，我们提出了一种基于机器学习的方法，用于识别仅输出数据的结构模态参数以进行结构健康监测(SHM)，该方法充分利用了模态响应相互独立的特征以及机器学习原理。利用各阶模态的独立性特征，我们采用无监督学习原理，使深度神经网络的训练过程成为模态分离的过程。设计了一种自编码深度神经网络，从结构振动数据中识别结构模态参数。将混合信号（即结构响应数据）作为神经网络的输入。然后我们使用复杂的损失函数来约束神经网络的训练过程，使第三层的输出为我们所需的模态响应，而最后两层的权值为振型。该深度神经网络本质上是一个非线性目标函数优化问题。提出了一种新颖的损失函数，以考虑不相关性和非高斯性来约束独立特征，从而约束所设计的神经网络以获取结构模态参数。给出了一个简单结构的数值算例以及一座斜拉桥实际SHM数据的算例，以说明所提方法的模态参数识别能力。结果表明该方法能良好地从系统响应中盲提取模态信息。