Deep learning-based time series classification for damage assessment in multi-layer composite structures

Tran, Hoa Ngoc

doi:10.1108/EC-03-2025-0229

Deep learning-based time series classification for damage assessment in multi-layer composite structures

2026-04-01

0

PRE

AI

DOI：10.1108/EC-03-2025-0229

原文链接

原文求助

摘要

En 中文

目的本研究旨在通过提出一种专门设计用于准确时间序列数据分类的新型深度学习模型，解决结构健康监测（SHM）中存在的局限性。通过集成先进的神经网络架构——包括一维卷积神经网络（1DCNN）、残差网络（ResNet）、双向门控循环单元（BiGRU）和注意力机制（AM）——所提出的模型能够有效捕捉空间关系、突出关键输入序列、保持长期依赖关系并缓解梯度消失问题。目标是显著提高多层复合结构中损伤检测的准确性和可靠性，通过在各类结构损伤场景中实现更高的精度和更低的损失值，改进现有的机器学习方法。设计/方法/途径所提出的方法结合了先进的深度学习技术，用于从时间序列数据中分类结构损伤。首先，使用一维卷积神经网络（1DCNN）提取空间特征。双向门控循环单元（BiGRU）捕捉过去和未来上下文中的时间依赖性。采用带有双跳跃连接的残差网络（ResNet），通过合并初始输入与中间特征来解决梯度消失问题。集成注意力机制（AM）以强调输入序列中的关键部分。该模型在多层复合结构的不同损伤场景下进行实验验证，通过精度和损失等指标评估性能。发现研究表明，所提出的1DCNN-BiGRU-ResNet-AM模型显著优于替代方法，包括独立的1DCNN、GRU、BiGRU模型，以及组合的1DCNN-BiGRU和1DCNN-BiGRU-ResNet模型。具体而言，它以0.902的精度和0.416的损失值实现了卓越的损伤检测准确性。这些发现表明，集成空间特征提取、双向时间分析、残差连接和注意力机制有效增强了结构损伤的识别和分类。结果表明，所提出的模型能够克服与空间连接性、梯度消失和时间依赖性相关的局限性，证明了其在涉及多层复合结构的结构健康监测任务中的实际有效性。研究局限/启示本研究主要关注使用多层复合结构的受控实验室场景，这可能限制其直接推广到复杂的实际结构健康监测任务。未来研究应使用多样化的现场数据验证所提出的模型，考虑环境噪声和运行变异性。此外，尽管该模型有效解决了梯度消失问题并捕捉了时空依赖性，但其计算复杂性和资源需求可能较高，可能限制其在资源受限环境中的部署。探索模型优化、效率提升并评估其实际结构监测系统的可扩展性，将扩展其适用性和鲁棒性。原创性/价值本研究的新颖性在于开发了一种新颖的集成1DCNN-BiGRU-ResNet-AM模型，独特地结合了先进的深度学习技术，显著提高了结构健康监测的准确性。通过利用1DCNN进行空间特征提取、BiGRU进行有效的时间建模、ResNet的双跳跃连接缓解梯度消失问题，以及注意力机制（AM）强调关键数据片段，该模型独特地解决了现有局限性。该方法还整合了广泛的特征集成、优化的网络参数和复杂的数据增强方法。这种全面集成展示了较传统方法的显著进步，为复合结构提供稳健、准确和可靠的损伤预测，为智能结构健康监测领域做出了重要贡献。

Keyword:

1DCNN

BiGRU

ResNet

Attention mechanism

Multi-layer composite structure

Damage detection

Deep learning-based time series classification for damage assessment in multi-layer composite structures

摘要

期刊

机构

引用论文