小样本与不平衡数据集场景下基于MSCNN-ECA-GRU混合框架的桥结构损伤识别

来源：中国血液净化杂志2025年第9期北京时间：

作者：陈柳洁, 梁豪坚, 吴森明, 傅继阳, 吴清泰

单位：1. 广州大学 土木与交通工程学院, 广东 广州 510006;2. 广州大学 风工程与工程振动研究中心, 广东 广州 510006;3. 阿德莱德大学 建筑与土木工程学院, 南澳大利亚 阿德莱德 5005"],"fundList_en":["National Natural Science Foundation of China (52108276, 51925802)； Guangdong Basic and Applied Basic Research Foundation (2020A1515110870)； Science and Technology Projects in Guangzhou (202102010447)； Tertiary Education Scientific Research Project of Guangzhou Municipal Education Bureau (2024312401)

摘要：针对常规结构损伤识别方法因小样本、类别不平衡及损伤类型多样等问题导致的精度下降，提出一种融合高效通道注意力机制(Efficient Channel Attention, ECA)与门控循环单元(Gate Recurrent Unit, GRU)的多尺度卷积神经网络(Multi-scale Convolutional Neural Network, MSCNN)新型混合框架MSCNN-ECA-GRU。该方法通过MSCNN-ECA融合架构提取振动信号的空间多尺度特征，结合GRU捕获信号的时序动态特征，并利用参数共享机制实现时空特征深度融合；采用监督学习优化训练策略，提升模型在小样本及不平衡数据场景的特征学习能力与泛化性能。分别基于赫尔钢架桥工程实例与实验室四跨桁架桥试验的振动响应数据开展验证试验。消融试验结果表明：MSCNN-ECA-GRU在不同桥梁、不同传感器中表现出理想的泛化性能；小样本平衡数据集下，MSCNN-ECA-GRU对2个试验桥的损伤识别准确率达98.61%和99.07%，较基准MSCNN分别提升3.14%和2.77%；面对更具挑战性的小样本不平衡数据集，MSCNN-ECA-GRU性能提升尤为突出，对2个试验桥的识别准确率达92.43%和90.96%，较MSCNN-ECA、MSCNN-GRU与基准MSCNN分别提升15.4%和17.93%，21.26%和21.08%，28.02%和31.92%；在50%高斯强噪声干扰下，MSCNN-ECA-GRU仍保持大于97%的识别准确率，鲁棒性突出。通过多维度量化指标评估证实，MSCNN-ECA-GRU有效解决常规方法在样本稀缺和类别不平衡场景下的性能衰减问题，研究成果为基础设施损伤识别提供了兼顾时空特征提取的智能新方法。

关键词：桥梁工程,损伤识别,MSCNN-ECA-GRU,振动信号,小样本,不平衡数据集

基金资助：国家自然科学基金项目(52108276，51925802)；广东省基础与应用基础研究基金项目(2020A1515110870)；广州市科技计划项目(202102010447)；广州市教育局高校科研项目(2024312401)