典型文献
利用单传感器数据基于GAF⁃CNN的结构损伤识别
文献摘要：
为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场(Gramian angular field,简称GAF)和卷积神经网络(convolutional neural networks,简称CNN)的结构损伤识别方法.采用GAF理论将原始振动信号分别转换为格拉姆角和场(Gramian angular summation field,简称GASF)和格拉姆角差场(Gramian angular difference field,简称GADF)二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet?5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别.以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响.结果表明:所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100％,单条样本测试时间为8.5 ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型.
文献关键词：
结构健康监测;损伤识别;振动响应;深度学习;卷积神经网络;传感器
中图分类号：
作者姓名：
骆勇鹏;王林堃;郭旭;郑金铃;廖飞宇;刘景良
作者机构：
福建农林大学交通与土木工程学院 福州,350108;福建省结构工程与防灾重点实验室(华侨大学)厦门,361021
文献出处：
引用格式：
[1]骆勇鹏;王林堃;郭旭;郑金铃;廖飞宇;刘景良-.利用单传感器数据基于GAF⁃CNN的结构损伤识别)[J].振动、测试与诊断,2022(01):169-176
A类：
B类：
单传,传感器数据,GAF,结构损伤识别,海量数据,处理成本,数据结,格拉姆角场,Gramian,angular,field,convolutional,neural,networks,振动信号,格拉姆角和场,summation,GASF,格拉姆角差场,difference,GADF,二维图像,图像数据集,集为,LeNet,卷积神经网络模型,桥梁维护,结构健康监测,监测基准,模型结构,钢框架结构,图像算法,传感器布置,布置位置,测量噪声,模型试验,识别准确率,单条,测试时间,ms,线损,声程,收敛效率,震荡,局部最优,最优值,样本数量,数量规模,振动响应
AB值：
0.336021
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
