悬臂梁结构健康监测的案例研究——基于贝叶斯神经网络与深度学习

机器学习算法的发展为基于振动的SHM（结构健康监测）开辟了广阔空间。基于振动的SHM基于如下事实：损伤会改变结构的动态特性，即结构响应、频率、振型等。利用传感器测量的响应本质上是高维的，可使用机器学习技术智能分析以进行损伤评估。采用多层架构的神经网络是具有表现力的模型，能够捕捉输入输出对之间的复杂关系，但不考虑网络输出的不确定性。BNN（贝叶斯神经网络）指用后验推断扩展标准网络，是一种在其权重上具有先验分布的神经网络。诸如CNN（卷积神经网络）和LSTM（长短期记忆）的深度学习架构是从高维数据中进行表示学习的良好候选。CNN相对于多层神经网络的优势在于其既是良好的特征提取器也是分类器，从而无需生成手工设计特征。LSTM网络主要用于序列建模。本文提出一种贝叶斯多层感知机与基于深度学习的方法，用于梁状结构的损伤检测与位置识别。使用有限元分析模拟的原始频响数据作为网络输入。为此，针对悬臂梁中涉及不同损伤场景的一系列模拟生成了频响。本案例研究显示了上述方法以可接受错误率预测抗弯刚度的有效性。