基于移动主成分分析敏感特征的智能损伤识别方法.pdfVIP

第39卷第6期实验力学Vol.39No.6

2024年12月JOURNALOFEXPERIMENTAIMECHANICSDec.2024

文章编号：1001-4888（2024)06-0672-13

基于移动主成分分析敏感特征的

智能损伤识别方法

李超1-2，周立成1.2，刘泽佳1.2，张红1.2，张1.3

刘逸平1.2，蒋震宇1.2，杨宝1.2，汤立群1,2

（1.华南理工大学土木与交通学院，广东广州510641；2.华南理工大学亚热带建筑科学国家重点实验室，广东广州510641；

3.广东工业大学土木与交通工程学院，广东广州510006)

摘要：为了提高现有方法对结构微小损伤的识别准确率，本文基于移动主成分分析（Moving

PrincipalComponentAnalysis，MPCA）方法提出了一种新型损伤敏感特征一—多阶PCA

(PrincipalComponentAnalysis，PCA)损伤敏感特征。本文将这一新型敏感特征作为机器学习

的输入，预测受损位置和损伤程度。首先，对监测数据做MPCA分析，并基于方差累积率确定特

征向量阶数；其次，通过对各阶特征向量进行内积运算，获得多阶敏感特征（Multi-OrderSensi-

tiveFeatures，MOSF）；最后，将多阶敏感特征作为机器学习算法的输入，对结构开展损伤位置

和损伤程度的损伤识别研究。基于双跨连续梁的数值实验结果发现：相比于直接采用传统的

PCA特征向量作为损伤特征，本文所提出的新型敏感特征对损伤具有更好的灵敏度。结合新型

敏感特征与机器学习的损伤识别方法，在损伤位置和损伤程度任务中均具备较高的准确率和稳

健的鲁棒性。即使在信噪比为10dB的高强度噪声环境下，本文所提出的损伤识别方法在损伤

位置和损伤程度识别任务中也具备高于80%的预测准确率。

关键词：结构健康监测；移动主成分分析；损伤敏感特征；损伤识别；机器学习

中图分类号：U446.3文献标志码：ADOI:10.7520/1001-4888-23-108

0引言

桥梁长期服役过程中不可避免地会受到环境侵蚀、自身材料退化等因素作用，导致损伤的萌生、发

展和累积，严重的甚至出现垮塌事故，所以需要对其健康状况和安全性作进一步评估。目前结构健康

监测（StructuralHealthMonitoring，SHM)系统已被广泛运用到桥梁结构上[2]，以便能更好地监测、掌

握桥梁的实时健康状态并及时发现结构损伤。尽管目前已积累了海量的健康监测数据，但依然难以仅

直接通过观察监测数据识别桥梁损伤。主要原因有2个：其一，桥梁监测响应与结构损伤状态之间为复

杂的非线性关系，传统的识别方法难以表征这一关系。其二，复杂的环境荷载和外界噪声的干扰使得结

构损伤响应信息被吞没，所获取的响应无法直接反映结构健康状态的变化，提高了损伤识别的难度[3]

因此，有必要对原始响应数据进行特征挖掘，以提出对损伤敏感且对外界环境变化不敏感的特征。并

且，有必要建立能够表征结构响应与损伤状态映射关系的新方法。

*收稿日期：2023-05-24；修回日期：2023-07-25

基金项目：国家自然科学基金项目；广东省自然科学基金项目（2023A1515012942）；中国博士后科学基金项目

（2021M700886）；亚热带建筑科学国家重点实验室项目（2022KA05）

通信作者：张舰（1992一），女，博士，高级工程师。主要研究领域：结构健康监测。Email：gezhang@gdut.edu.cn

第6期李超等：基于移动主成分分析敏感特征的智能损伤识别方法673

主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的特征提取技术。PCA主要通过正

交变换将高维空间中的原始数据线性投影到低维空间，以达到降维、过滤噪声和去除余信息的目的。

其中，所投影的新低维空间的基向量称为特征向量。当结构损伤发生时，响应数据的空间分布发生