基于M1DCNNBiLSTM在铝合金桁架结构健康监测的应用研究
文档名：基于M1DCNNBiLSTM在铝合金桁架结构健康监测的应用研究
摘要：为克服传统结构健康监测方法在特征提取和时序建模方面的限制,提出一种高效的加速度差值预处理方法,将其应用于多尺度一维卷积神经网络(M1DCNN)与双向长短期记忆网络(BiLSTM)联合模型中,旨在深入研究和评估这一方法在铝合金桁架结构健康监测中的适用性.通过多层次的特征提取和时序建模,实现对振动信号的深层次时空特征表达.利用铝合金桁架的数值模拟和实际振动测试数据,对比不同模型在损伤位置识别和程度预测方面的性能.结果表明:与传统的1DCNN方法相比,M1DCNN-BiLSTM模型能有效识别桁架结构中不同位置的损伤,准确量化损伤的严重程度.该模型在损伤位置和程度预测方面表现出色,准确率和预测精度几乎达到100%.在振动测试实验中,其RMSE、MSE和MAE分别比1DCNN降低了84.5%、97%和84.3%,预测结果与实际损伤程度高度吻合.
作者：王二成 肖俊伟 李家豪 李彦苍 张子奇 李格格 Author：WANGErcheng XIAOJunwei LIJiahao LIYancang ZHANGZiqi LIGege
作者单位：河北工程大学土木工程学院,河北邯郸056038;河北省装配式结构技术创新中心,河北邯郸056038河北工程大学土木工程学院,河北邯郸056038
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2023, 37(21)
分类号：TU395TP183
关键词：健康监测卷积神经网络多尺度特征程度预测铝合金桁架结构
Keywords：healthmonitoringconvolutionalneuralnetworksmulti-scalefunctionsclosingforecastaluminumtrussstructures
机标分类号：TP391TH132.414G434
在线出版日期：2023年12月18日
基金项目：国家自然科学基金基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究[
期刊论文]重庆理工大学学报--2023, 37(21)王二成肖俊伟李家豪李彦苍张子奇李格格为克服传统结构健康监测方法在特征提取和时序建模方面的限制,提出一种高效的加速度差值预处理方法,将其应用于多尺度一维卷积神经网络(M1DCNN)与双向长短期记忆网络(BiLSTM)联合模型中,旨在深入研究和评估这一方法在铝...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究Application of M1DCNN-BiLSTM based health monitoring of aluminum alloy truss structures
基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究.pdf
页:
[1]