基于贝叶斯优化BiLSTM模型的输电塔损伤识别

结构的加速度响应可以反映结构的状态信息，蕴含结构的损伤特征。针对目前输电塔健康监测系统产生大量数据而无法有效分析和诊断输电塔损伤的问题，利用结构输出加速度响应数据的时序关系，提出了基于双向长短时记忆网络(bi-directional long and short-term memory, BiLSTM)的损伤识别方法，并采用概率寻优方法贝叶斯优化(Bayesian optimization, BO)确定网络模型超参数。首先描述了BiLSTM的基本原理，给出基于贝叶斯优化的超参数选取策略，从而提出了基于BO-BiLSTM模型的损伤识别方法。然后使用该方法对输电塔有限元模型进行了损伤定位与模式识别，测试集的整体识别准确率达到94.2%。为了验证该方法对实际结构的损伤识别效果，提出基于异源数据的损伤识别方式：将输电塔有限元模型数据作为模型训练的样本训练BO-BiLSTM模型，使用试验数据用作验证集检验损伤识别效果。识别结果表明BO-BiLSTM可以较为准确的识别真实结构的损伤情况，识别效果较BiLSTM以及BO-LSTM更稳定。