基于迁移学习和PM1DCNN-BiLSTM的结构损伤识别应用研究.pdfVIP

摘要

摘要

由于钢框架和桁架结构在服役期间难免会遭受裂纹、腐蚀、负载的影响，导

致刚度降低或附加质量增加，进而引发结构失稳。为确保结构的长期稳定性和安

全性，需定期进行维护和损伤评估。结构健康监测（SHM）是有效识别结构损伤，

指导结构维护和应对突发灾害的强大诊断工具。然而，结构的状态与其监测数据

存在复杂的非线性映射关系，从海量监测数据中准确识别反映结构损伤的敏感特

征是一个极具挑战性的研究课题。传统SHM技术在特征提取和时序建模方面存在

局限性，因此，开发新颖损伤识别方法以提高监测的准确性和可靠性尤为重要。

本文开展了对钢框架和桁架结构损伤识别的应用研究。探讨PM1DCNN-

BiLSTM联合模型结合迁移学习在钢框架和桁架结构损伤定位与程度评估中的潜

力，展现模型在不同结构类型、不同损伤类型、不同激励强度及小样本情况下优

异的鲁棒性和泛化性。主要研究内容如下：

（1）通过钢框架结构刚度和质量损伤振动实验，验证了所提模型性能优于

传统CNN模型，特别适用于对不同支座形式、不同激励强度与小样本情况下的损

伤定位和定量识别研究。此外，采用迁移学习，将源域训练好的模型参数迁移至

目标域，从而增强模型在不同应用场景下的适用性和泛化能力。

（2）为验证所提模型在识别复杂桁架结构刚度损伤的有效性，使用

ABAQUS对桁架进行数值模拟实验。以加速度或加速度差值为输入指标，对单损、

双损和三损情况进行损伤定位和程度量化深入分析。证实了所提模型在不同类型

损伤识别中展现出高准确性和强鲁棒性。特别是以加速度差值为输入指标，能更

有效地凸显损伤特征，显著提升损伤识别性能。

（3）为验证TL-PM1DCNN-BiLSTM在实际桁架结构损伤识别的实用性，采

用迁移学习将在数值模拟上训练好的模型参数迁移到实际铝合金桁架结构中进行

测试，以有效识别结构刚度和质量损伤及增强模型泛化能力。证实了TL-

PM1DCNN-BiLSTM在检测不同损伤类型和在实际应用场景中的有效性和适用性。

（4）为评估所提模型结合迁移学习在实际桁架结构质量损伤时的优异性，

将其与传统CNN模型进行全面对比。验证了所提模型在特征提取、确定损伤位置、

量化损伤程度、评估指标以及可视化处理等方面具有显著优势，进一步展示了其

在SHM领域的潜力和实用价值。

关键词：损伤识别；钢框架；桁架结构；卷积神经网络；双向长短期记忆网络；

迁移学习

I

Abstract

Abstract

Sincesteelframesandtrussstructuresareinevitablyaffectedbycracks,corrosion,

andloadsduringtheirservice,thestiffnessisreducedortheadditionalmassisincreased,

whichinturncausesstructuralinstability.Toensurethelong-termstabilityandsafetyof

thestructure,regularmaintenanceanddamageassessmentarerequired.Structuralhealth

monitoring(SHM)isapowerfuldiagnostictoolforeffectivelyidentifyingstructural

damage,guidingstructuralmaintenance,andrespondingtosuddendisasters.However,

thereisacomplexnonlinearmappingrelationshipbetweenthestateofthestructureand

itsmonitoringdata.