融合EEMD与BiLSTM深度网络的结构监测缺失数据重构.pdfVIP

第48卷第2期重庆大学学报Vol.48No.2

2025年2月JournalofChongqingUniversityFeb.2025

doi:10.11835/j.issn.1000-582X.2025.02.004

融合EEMD与BiLSTM深度网络的结构监测

缺失数据重构

1a,1b1a222

何盈盈，黄正洪，张利凯，赵智航，关腾达

（1.重庆人文科技学院a.计算机工程学院；b.大数据与网络信息安全工程技术研究中心，重庆401524；

2.重庆大学土木工程学院，重庆400045）

摘要：在长期监测过程中，由于传感器设备故障、供能中断、网络传输问题等诸多因素，导致结

构健康监测系统采集的数据存在不完整性。针对这一问题，结合集合经验模态分解（ensemble

empiricalmodedecomposition，EEMD）与双向长短期记忆网络（bi-directionallongshort-term

memory，BiLSTM）在时序处理方面的优势，提出一种基于EEMD-BiLSTM的结构监测缺失数据重

构方法。该方法利用EEMD自适应分解监测时序数据为1组代表不同时间尺度的本征模态分量

（intrinsicmodefunction，IMF），使非线性、非平稳序的时序信号平稳化。然后，将IMF分量输入到

BiLSTM网络中进行缺失数据重构，提高BiLSTM预测精度。针对6层框架结构缩尺模型和

Benchmark有限元仿真模型进行分析，试验结果表明，相比EEMD-LSTM、BiLSTM、LSTM主流方

2

法，提出的EEMD-BiLSTM具有最高预测精度，在5%、10%、15%缺失数据情况下，其R指标保持在

0.8以上。因此，采用EEMD方法对非稳态结构加速响应数据进行预处理，可有效提高BiLSTM的

预测精度，对于结构监测缺失数据问题，提供更具适应性的方法。

关键词：结构健康监测；数据重构；集合经验模态分解；双向长短期记忆网络

中图分类号：TPU446.2文献标志码：A文章编号：1000-582X(2025)02-035-15

Reconstructingmissinghealthmonitoringdatausingadeepnetwork

integratingEEMDandBiLSTM

1a,1b1a222

HEYingying,HUANGZhenghong,ZHANGLikai,ZHAOZhihang,GUANTengda

(1a.SchoolofComputerEngineering;1b.BigDataandNetworkInformationSecurityEngineeringTechnology

ResearchCenter,ChongqingCollegeofHuamniticsScienceTechnology,Chong