基于双向LSTM自动编码器的新型无监督深度学习结构损伤识别

来源：计算力学学报杂志2026年第1期北京时间：

作者：李雪艳,苏博,陈铭,张锦棠,赵卫

单位：暨南大学 力学与建筑工程学院, 广州 510632,暨南大学 力学与建筑工程学院, 广州 510632,暨南大学 力学与建筑工程学院, 广州 510632,暨南大学 力学与建筑工程学院, 广州 510632,暨南大学 力学与建筑工程学院, 广州 510632

摘要：工程结构损伤评估是土木工程领域的关键研究方向,近年来受到广泛关注。尽管基于振动的结构健康监测(SHM)在无监督深度学习方面取得了一定进展,但在从环境振动信号中精准定位和量化结构损伤方面仍存在挑战。为此,本文提出了一种基于双向长短期记忆自动编码器(Bi-LSTM-AE)的无监督深度学习方法,用于高效诊断结构损伤。该方法仅利用振动响应数据即可实现结构状态识别、损伤定位及量化分析。仅使用未损状态的加速度数据训练Bi-LSTM-AE模型,然后提取并编码损伤特征,以最小误差还原输入信号。在损伤状态下,模型通过重构误差的显著变化,结合损伤敏感特征(DSF)量化误差差异,并计算损伤检测阈值。通过滚珠轴承故障检测和短跨钢梁桥振动实验验证,Bi-LSTM-AE 在多种损伤状态下均能有效区分正常与故障状态,并实现损伤定位,尤其在轻微损伤识别方面表现出高敏感性。实验结果表明,Bi-LSTM-AE 在多种结构状态识别中均展现出优异性能。本文的创新点在于将 Bi-LSTM 网络引入无监督 SHM 框架,显著提升了损伤识别的精度与鲁棒性,为复杂结构的实时监测与诊断提供了有效途径。

关键词：结构健康监测,自编码器,双向长短期记忆,损伤阈值,无监督深度学习,

基金资助：国家重点研发计划(2019YFC1511004-05)资助项目.