典型文献
基于LSTM-ResNet模型的时变结构损伤检测
文献摘要：
面向火箭结构健康监测,提出了一种基于深度学习的损伤检测方法,直接将多个通道的振动数据作为输入,并基于由长短时记忆网络LSTM(Long Short-Term Memory Networks)和残差卷积神经网络ResNet(Residual Convolutional Neural Networks)组合而成的LSTM-ResNet网络进行损伤识别.其优点在于,首先利用LSTM提取信号的时间依赖特征,减轻了由某些通道信号缺失带来的影响,再利用ResNet在不损耗特征的情况下进一步提取空间特征,提高了训练效率和损伤辨识准确性.通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗,并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练,训练结果表明,LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能,损伤检测精度更高.
文献关键词：
结构健康监测;深度学习;LSTM;ResNet;传感器故障
中图分类号：
作者姓名：
王豪;蓝鲲;夏国江;耿胜男
作者机构：
北京宇航系统工程研究所 北京 100076
文献出处：
引用格式：
[1]王豪;蓝鲲;夏国江;耿胜男-.基于LSTM-ResNet模型的时变结构损伤检测)[J].遥测遥控,2022(03):8-17
A类：
B类：
ResNet,时变结构,结构损伤检测,火箭结构,结构健康监测,长短时记忆网络,Long,Short,Term,Memory,Networks,残差卷积神经网络,Residual,Convolutional,Neural,组合而成,损伤识别,取信,时间依赖,赖特,信号缺失,空间特征,训练效率,过充,圆筒,放水,实验模拟,自主构建,公用,组合网络,检测精度,传感器故障
AB值：
0.409811
相似文献
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。
