一种基于VMD和SSA优化GRU模型的结构健康监测数据重建方法

科学领域:

• 结构健康监测 (SHM) 是一种结构健康监测.
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 完整的数据集对于结构健康监测 (SHM) 任务,如模式识别和风险预测至关重要.
• 由于传感器故障,传输问题或硬件故障,数据丢失是SHM中经常出现的挑战.
• 现有的方法难以准确地重建缺失的结构响应数据.

研究的目的:

• 开发一种有效的方法来恢复在SHM中缺少的结构响应数据.
• 为了提高SHM应用数据重建的准确性和可靠性.
• 为了解决当前数据恢复技术的局限性.

主要方法:

• 提出了一种新的方法,将变化模式分解 (VMD) 结合在数据预处理和Sparrow Search Algorithm (SSA) 优化的Gate Recurrent Unit (GRU) 中进行重建.
• VMD将现有的传感器数据分解为内在模式函数 (IMF) 和余数.
• SSA优化了GRU的超参数,然后利用其他传感器的数据重建了IMF和余量.

主要成果:

• 与独立的GRU和VMD+GRU模型相比,VMD+SSA+GRU模型在数据重建方面表现出更高的性能.
• 实现了根平均平方误差的平均减少,分别为46.61%和32.57%
• 观察到数据集和丢失率的平均确定系数分别增加了38.74%和18.50%.

结论:

• 拟议的VMD+SSA+GRU方法准确地重建了缺少的结构响应数据,有效地捕捉了潜在的趋势.
• 该方法消除了手动超参数调整的需要,简化了该过程.
• 重建结果与实际数据具有很高的一致性,验证了其对SHM的有效性.