基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络。对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将相同的振动信号输入具有不同尺寸卷积核的分支卷积神经网络。然后将各个分支卷积神经网络的输出组合成多尺度特征输入全连接层进行损伤模式的识别。数值试验和振动台试验的结果表明：相比于单一尺度卷积神经网络,多尺度卷积神经网络具有更高的损伤识别精度和抗噪性;对于损伤特征相近的损伤模式具有更好的辨别能力。