使用时间变化的基于过的经验模式分解和预训练的卷积神经网络来识别桥梁损伤
Shenghuan Zeng1, Jian Cui2, Ding Luo1
1Shenzhen Expressway Engineering Testing Co., Ltd., Shenzhen 518000, China.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
本研究引入了一种用于识别桥梁损伤的新框架,使用时间变化的过实证模式分解 (TVFEMD) 和卷积神经网络 (CNN). 该方法提高了信号质量,提高了损坏分类的准确性,以便更好地监测桥梁的健康状况.
科学领域:
- 结构工程 结构工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 桥梁健康监测对于运行安全和维护至关重要.
- 目前的方法面临的挑战是信号质量差,特征提取和分类准确性.
研究的目的:
- 开发一个先进的框架,准确识别桥梁损坏.
- 克服信号处理和分类在桥梁健康监测的局限性.
主要方法:
- 基于时间变化的过的实证模式分解 (TVFEMD) 与预训练的卷积神经网络 (CNN) 的集成.
- 适应性消噪和时间频率重建以增强信号特征和抑制噪声.
- 对不同CNN模型 (ResNet-50) 的损害分类进行比较分析.
主要成果:
- 与传统的EMD相比,TVFEMD显示出更好的频率分离和模式纯度.
- 通过使用TVFEMD处理的信号,ResNet-50在损坏分类中实现了最佳性能.
- 主要组件分析 (PCA) 可视化证实了功能集群和可分离性的改进.
结论:
- 拟议的TVFEMD-CNN框架显著提高了桥梁损坏识别的准确性.
- 电视FEMD有效预处理信号,提高了CNN模型的适应性和识别能力.
- 这种方法为实际的桥梁健康监测挑战提供了强大的解决方案.
