深度学习丨结构健康监测数据科学与工程研究进展

结构健康监测+数据科学

深度学习的创建

结构健康监测通过模仿人类的自感知与自诊断智能功能，在结构上布设大规模、多种类、分布式传感网络以及数据采集、数据传输、数据管理、数据分析、安全评定与预警系统，实时感知、反演、识别、诊断、评估结构的损伤与安全状态及其演化规律，揭示在真实荷载与环境耦合作用下真实结构全寿命以及真实行为机制，实现对结构的“透彻感知”。

目前结构健康监测已经在航空航天、土木工程、机械工程等领域得到了广泛的应用。

近年来，数据已经成为人类宝贵的资源，关于数据的科学已经成为诸多领域的研究热点和前沿方向，并逐渐发展成为一门独立的学科分支——“数据科学与工程”。国内外许多大专院校和科研院所成立了数据科学与工程研究中心。

结构健康监测的数据科学与工程包括数据采集、数据传输、数据管理、损伤识别与模型修正、数据分析与挖掘、数据建模、安全评定和可靠度预测、数据可视化等。

对结构健康监测数据的深度分析和挖掘，将成为人类深刻认识和发现土木工程新现象、新机理、新规律、新模型、新理论、新知识的重要手段，将发展成为土木工程学科新的独立分支。

数据采集定理的PK

深度学习的可能

传统的数据采集必须遵循奈奎斯特-香农（Shannon-Nyquist）采样定理，即若信号是有限带宽的，当数据采样频率大于2倍信号带宽时，则原来的连续信号可以从采集的离散样本中完全重构出来。

结构健康监测系统被用于种类和数目众多的传感器，且系统服役时间一般长达数十年，传统数据采集技术将会导致海量数据，从而给数据存储和传输带来诸多挑战。

2006年美国斯坦福大学的Donoho和美国加州理工学院的Candès建立的压缩采样理论（compressive sampling, CS），突破了传统采样定理的局限性。若信号在某个域内是稀疏的，则可以按照CS理论随机采集该连续信号的数据，而不是以信号最高频率的两倍对数据进行采样，从而极大地减少了数据采集量。

哈尔滨工业大学结构健康监测与控制研究中心的鲍跃全等人率先将CS理论引入结构健康监测领域，在结构振动信号的压缩采集与重构方面取得显著成效。

除数据采集应用之外，CS理论目前还被广泛应用于结构模态识别、结构损伤识别、荷载识别等诸多方面。

结构健康监测系统服役环境恶劣，异常数据在所难免，实际结构健康监测中经常可观察到如批量离群样本、数据整体漂移、数据超量程以及数据缺失等异常现象。

种类和数目众多的异常监测数据可显著提高结构健康诊断系统的误警率，严重制约着结构健康监测系统正常功能的发挥。

传统基于统计判别分析的异常数据诊断方法一般仅能识别特定类型的异常数据。

最近发展起来的深度学习技术可采用多重非线性变换对数据进行多层抽象特征变换与提取，在对数据变量非线性映射关系进行学习的同时，也对隐藏的数据结构进行学习。

目前，基于深度学习的异常监测数据诊断方法正处于发展阶段，在多种类异常数据同步诊断方面体现出了巨大优势。

结构损伤识别是结构健康监测中的一个经典问题。基于结构模态信息的结构损伤识别方法在传统结构损伤识别方法中占据主导地位。

实际应用表明，基于振动模态的结构损伤识别方法对结构局部损伤不敏感，且容易受环境温度的影响。

近年来，基于深度学习的结构损伤视觉检测方法在结构表面损伤检测方面取得了巨大的成功，用于钢箱梁疲劳裂纹识别的融合卷积神经网络模型。

与基于图像处理的传统视觉检测方法相比，基于深度学习的视觉检测方法无需设计复杂的前端滤波器，通过多层神经网络自动提取大规模图像数据的多层抽象特征，有效地回避了传统机器学习方法需要人工进行特征选择的困境。

基于机器学习利用监测数据特征模式进行结构状态评估在近年来也逐渐发展成为一个新的研究热点。

该类方法的基本思想是：采用机器学习算法和深度学习算法，通过学习发现监测数据隐含的结构服役行为的特征空间以及监测数据在特征空间呈现的分布规律和模式，分析该模式的物理意义及其反映的结构服役行为本质，继而基于模式参数的变化进行结构状态评估与预警。

人工智能、虚拟现实、可穿戴设备、群智感知等技术的飞速发展，将有望实现以更低的成本收集更多的数据与信息，可极大地促进结构健康监测科学与工程的发展以及新知识与新结构演化规律的发现。将结构健康监测数据科学与工程与其他新兴技术相结合，有望克服传统结构损伤识别、结构可靠性分析与安全评估等方面遇到的诸多挑战。

✎改编丨吴佳明