基于小波Inception网络的机载振动基于基础设施健康监测
机器学习
2026-05-19 v2 计算机视觉与模式识别
摘要
本文提出了一个用于分析机载振动响应信号的深度学习框架，用于基础设施健康监测。 proposed WaveletInception-BiGRU 网络使用可学习小波包变换 (LWPT) 进行早期谱特征提取，随后采用一维 Inception-残差网络 (1D Inception-ResNet) 模块进行多尺度、高层次特征学习。双向门控循环单元 (BiGRU) 模块随后整合时间依赖性并纳入操作条件，例如测量速度。这一方法能够有效地分析在不同速度下记录的振动信号，无需显式的信号预处理。序列估计头进一步利用双向时间信息来产生准确的、局部化的基础设施健康评估。最终，框架生成与基础设施物理布局相映射的高分辨率健康轮廓。涉及实际测量的轨道刚度回归和过渡区分类案例研究表明，所提出的框架显著优于最先进的方法，凸显了其在准确、局部分辨和自动化机载基础设施健康监测方面的潜力。
引用
@article{arxiv.2507.12969,
title = {WaveletInception Networks for on-board Vibration-Based Infrastructure Health Monitoring},
author = {Reza Riahi Samani and Alfredo Nunez and Bart De Schutter},
journal= {arXiv preprint arXiv:2507.12969},
year = {2026}
}
备注
Under reviewer for the Journal of Engineering Application of Artificial Intelligence