面向结构振动多模态时间序列的协同信号去噪
信号处理
2023-08-24 v1 机器学习
摘要
结构健康监测（SHM）在保障基础设施的耐久性与安全性方面发挥着不可或缺的作用。随着传感器技术的快速发展，各类结构所产生的数据量呈现前所未有的激增，由此带来了高效分析与解读方面的挑战。本文提出一种新颖的深度学习算法，专为SHM中普遍存在的多模态振动信号所固有的复杂性而设计。通过融合卷积与循环架构，该算法能巧妙捕捉局部与长程的结构行为。注意力机制的关键性引入进一步增强了模型的能力，使其能够从无关噪声中辨识并优先关注显著的结构响应。我们的结果表明，在预测精度、早期损伤检测以及跨多种SHM场景的适应性方面均有显著提升。鉴于SHM的关键性质，所提方法不仅提供了一个稳健的分析工具，也为更透明、可解释的AI驱动SHM解决方案铺平了道路。未来展望包括实时处理、与外部环境因素的融合，以及更深层次的模型可解释性研究。
引用
@article{arxiv.2308.11644,
title = {Synergistic Signal Denoising for Multimodal Time Series of Structure Vibration},
author = {Yang Yu and Han Chen},
journal= {arXiv preprint arXiv:2308.11644},
year = {2023}
}