基于时频变换和卷积神经网络的结构损伤识别∗

为了解决将单传感器时域数据直接作为卷积神经网络（CNN）的输入所引起的损伤识别精度不高的问题，提出基于小波包变换（DWPT）和快速傅里叶变换（FFT）的卷积神经网络识别方法。以短钢梁桥现场试验测得的数据集为例，将单传感器数据样本分别进行 DWPT 和 FFT 变换，使用变换后的特征训练 1D‐CNN 网络，训练好的网络测试精度有明显的提升，其识别精度均高于多个传感器数据直接作为输入的识别精度。同时分析了对噪声样本和异源（结构上未曾参与网络训练的传感器）数据的识别情况，结果表明对含噪声样本先进行时频变换再训练网络能显著提升对噪声样本的识别精度，而且能改善训练好的网络难以对异源传感器数据进行识别的问题，最后通过卡塔尔大学看台现场试验数据进一步论证上述结论。