一个混合卷积和循环神经网络,用于用时间序列检测多传感器堆损坏
Juntao Wu1, M Hesham El Naggar2, Kuihua Wang1
1College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
本研究引入了一种使用机器学习的多传感器堆损伤检测 (MSPDD) 方法. 该方法通过将移动波分解与混合神经网络相结合,增强了自动堆损伤识别.
科学领域:
- 土木工程 土木工程是指土木工程.
- 结构健康监测 结构健康监测
- 机器学习应用 机器学习应用
背景情况:
- 机器学习 (ML) 越来越多地用于结构健康监测 (SHM).
- 将ML应用于堆损坏检测 (PDD) 是由于问题的复杂性而具有挑战性的.
- 现有的方法可能缺乏自动和详细的PDD的复杂性.
研究的目的:
- 提出一种新的多传感器堆损伤检测 (MSPDD) 方法.
- 扩大ML算法用于自动PDD的应用.
- 为了提高分类质量的准确性和细节性.
主要方法:
- 在堆完整性测试期间利用来自多个传感器的时间序列信号.
- 使用移动波分解 (TWD) 理论处理信号.
- 采用混合一维 (1D) 卷积和循环神经网络用于多任务识别.
主要成果:
- 混合神经网络成功地执行了自动多任务识别堆损伤.
- 该模型准确地分析了MSPDD的时间序列数据.
- 使用基于分析解决方案的样本集的性能评估验证了模型的有效性.
结论:
- 拟议的MSPDD方法有效地扩展了ML在PDD中的应用.
- 混合神经网络提供了详细的堆质量描述.
- 这种方法为准确的质量分类提供了强有力的支持.
