劉玉馳，蔣玉峰，王樹青，馬春可

(中國海洋大學(xué) 工程學(xué)院，山東 青島 266100)

深?；燧斄⒐苁巧詈２傻V系統(tǒng)不可或缺的組成部分，其作為海底礦物采集系統(tǒng)及海面采礦船的連接結(jié)構(gòu)，承擔(dān)著輸送礦液混合流體的重要任務(wù)[1]。然而，深?；燧斄⒐芙Y(jié)構(gòu)作業(yè)過程中持續(xù)遭受外部風(fēng)浪流耦合荷載及內(nèi)部礦液兩相流體磨蝕作用，長期作用下結(jié)構(gòu)損傷逐漸積累，惡劣海洋環(huán)境作用下極易發(fā)生破壞，因此，對深?；燧斄⒐芙Y(jié)構(gòu)進(jìn)行健康監(jiān)測具有十分重要的意義。深海混輸立管結(jié)構(gòu)長達(dá)數(shù)千米，需要借助于全局損傷檢測方法進(jìn)行結(jié)構(gòu)健康監(jiān)測，由于方法簡單、操作方便及成本低，基于結(jié)構(gòu)振動響應(yīng)的損傷檢測方法得到了研究人員的廣泛關(guān)注[2]。

傳統(tǒng)方法基于結(jié)構(gòu)模態(tài)參數(shù)進(jìn)行損傷檢測，其基本原理是[3]：從結(jié)構(gòu)動力響應(yīng)中識別待檢測結(jié)構(gòu)模態(tài)參數(shù)，通過直接與已知健康狀態(tài)模態(tài)參數(shù)比較，或構(gòu)造損傷指標(biāo)進(jìn)行結(jié)構(gòu)損傷識別。典型的立管結(jié)構(gòu)損傷識別方法研究詳見參考文獻(xiàn)[4-6]。然而深海混輸立管結(jié)構(gòu)呈高長細(xì)比、柔性狀態(tài)，自然環(huán)境荷載激起的模態(tài)頻率極低，難以通過實(shí)測響應(yīng)識別，同時(shí)環(huán)境荷載作用下往往存在多階模態(tài)疊加，需要基于大量測點(diǎn)響應(yīng)確定模態(tài)振型，上述模態(tài)參數(shù)識別中存在的困難進(jìn)一步限制了該類方法的發(fā)展。

為了克服上述不足，研究人員嘗試直接基于動力響應(yīng)進(jìn)行立管結(jié)構(gòu)損傷檢測，從而避免模態(tài)參數(shù)識別過程中引入的誤差?，F(xiàn)存的直接基于結(jié)構(gòu)動力響應(yīng)的損傷識別方法主要包含兩大類：基于時(shí)間序列模型和基于深度學(xué)習(xí)模型。就立管結(jié)構(gòu)而言，主要集中在基于時(shí)間序列模型方法的研究。Riveros等[7]將自回歸(autoregressive，AR)模型與含外生變量的自回歸(auto-regressive with extra inputs，ARX)模型相結(jié)合進(jìn)行柔性立管結(jié)構(gòu)損傷識別，研究表明該方法無需有限元模型即可有效識別柔性立管結(jié)構(gòu)損傷。Liu等[8]使用自回歸滑動平均(autoregressive moving average，ARMA)模型擬合加速度響應(yīng)信號，并基于ARMA模型參數(shù)變化構(gòu)造損傷指標(biāo)進(jìn)行立管結(jié)構(gòu)損傷識別，通過20 m長立管結(jié)構(gòu)損傷識別數(shù)值模擬驗(yàn)證了方法的有效性。然而時(shí)間序列模型定階嚴(yán)重依賴研究人員經(jīng)驗(yàn)，且模型參數(shù)基于最小二乘估計(jì)確定，容易使模型陷入局部最優(yōu)解而非全局最優(yōu)解。

深度學(xué)習(xí)模型通過對大量樣本數(shù)據(jù)進(jìn)行分析處理，基于優(yōu)化算法自動確定模型參數(shù)，擺脫了對研究人員經(jīng)驗(yàn)的依賴，同時(shí)能夠更快地尋找到全局最優(yōu)解，有效克服了時(shí)間序列模型存在的不足[9]。一維殘差卷積自編碼器(one dimension residual convolution autoencoder，1D-RCAE)是深度學(xué)習(xí)的一種代表性模型，其通過卷積算法自動提取原始輸入數(shù)據(jù)的高級特征，從而基于該特征完成目標(biāo)任務(wù)[10]，由于其數(shù)據(jù)處理思想與損傷識別思路一致，研究人員提出了多種基于1D-RCAE模型的結(jié)構(gòu)損傷識別方法，詳見參考文獻(xiàn)[11-14]。目前基于1D-RCAE模型的損傷識別方法多使用單測點(diǎn)響應(yīng)進(jìn)行損傷識別，導(dǎo)致提取的特征損傷敏感性有限；部分方法雖然可以基于多測點(diǎn)響應(yīng)進(jìn)行損傷識別，但僅僅是將多測點(diǎn)響應(yīng)簡單排列成為三維張量輸入1D-RCAE模型，并未實(shí)現(xiàn)有效的數(shù)據(jù)融合，導(dǎo)致輸入數(shù)據(jù)中包含大量冗余信息，嚴(yán)重增加了特征提取復(fù)雜性，而且延緩了數(shù)據(jù)處理的速度。

本文就深?；燧斄⒐芙Y(jié)構(gòu)損傷識別問題開展研究，提出了一種基于數(shù)據(jù)融合及1D-RCAE的結(jié)構(gòu)損傷識別新方法。針對立管結(jié)構(gòu)模態(tài)參數(shù)識別困難的問題，方法直接以結(jié)構(gòu)損傷敏感的應(yīng)變動態(tài)響應(yīng)為輸入，避免了模態(tài)參數(shù)識別中存在的誤差。針對單測點(diǎn)響應(yīng)提供損傷信息有限的問題，方法使用主成分分析進(jìn)行多測點(diǎn)應(yīng)變響應(yīng)特征融合，進(jìn)一步利用1D-RCAE自動提取損傷敏感特征，以結(jié)構(gòu)損傷前后敏感特征間的馬氏距離構(gòu)建結(jié)構(gòu)損傷判定指標(biāo)，實(shí)現(xiàn)混輸立管結(jié)構(gòu)健康狀態(tài)監(jiān)測。

1 理論方法

1.1 數(shù)據(jù)融合

深?；燧斄⒐芙Y(jié)構(gòu)一般長達(dá)數(shù)千米，呈高長細(xì)比柔性狀態(tài)，加速度響應(yīng)損傷敏感性低，而應(yīng)變響應(yīng)對結(jié)構(gòu)局部損傷十分敏感，因此本文所提方法基于深?；燧斄⒐芙Y(jié)構(gòu)彎曲應(yīng)變響應(yīng)進(jìn)行損傷識別。然而，結(jié)構(gòu)彎曲應(yīng)變響應(yīng)僅對局部損傷敏感，因此需要利用多測點(diǎn)響應(yīng)以提供足夠充分的結(jié)構(gòu)損傷信息。但同一結(jié)構(gòu)多測點(diǎn)響應(yīng)間存在關(guān)聯(lián)，該關(guān)聯(lián)將會在一定程度上掩蓋結(jié)構(gòu)損傷引起的動力特性變化，從而增加損傷敏感特征提取復(fù)雜性，同時(shí)多測點(diǎn)響應(yīng)中存在大量對樣本能量貢獻(xiàn)較小的冗余信息，這些信息將會在一定程度上延緩損傷敏感特征提取速度，因此將結(jié)構(gòu)多測點(diǎn)響應(yīng)簡單組合后輸入1D-RCAE模型將會增加特征提取的難度及延緩特征提取的速度。

主成分分析(principal component analysis，PCA)可以有效消除多測點(diǎn)響應(yīng)間相關(guān)性，分離并剔除冗余信息[15-16]。因此本文所提方法借助PCA將多測點(diǎn)響應(yīng)主要信息沿空間方向集中于指定階主成分上，從而實(shí)現(xiàn)多測點(diǎn)響應(yīng)數(shù)據(jù)的有效融合，基于PCA的數(shù)據(jù)融合方法主要流程如下：

(1)取Nm個(gè)測點(diǎn)響應(yīng)組合為響應(yīng)矩陣X=[x1,x2,…,xNm]，其中測點(diǎn)i響應(yīng)xi的時(shí)刻數(shù)為Nt，即響應(yīng)矩陣X的大小為Nt×Nm。依次對測點(diǎn)i響應(yīng)xi進(jìn)行特征值歸一化處理，即

(1)

(2)

并對協(xié)方差矩陣C進(jìn)行特征值分析，即

CΦ=ΛΦ

(3)

式中：Λ為特征值矩陣,Λ=diag(λ1,λ2,…,λNm)；Φ為特征向量矩陣，Φ=[φ1,φ2,…,φNm]。

(3)依次計(jì)算第Nk階(Nk=1,2,…,Nm)特征值對應(yīng)的累積能量占比指標(biāo)

(4)

(5)

1.2 一維殘差卷積自編碼器

1D-RCAE的基本組成包括：輸入層、卷積層、特征層、解卷積層以及輸出層[18]，本文建立的1D-RCAE模型如圖1所示，輸入層接收輸入數(shù)據(jù)并傳遞至編碼部分，編碼部分通過多層卷積層逐步提取輸入數(shù)據(jù)的多類型特征，特征層對編碼部分提取到的多類型特征進(jìn)行整合得到高級特征，解碼部分進(jìn)一步根據(jù)高級特征重構(gòu)輸入數(shù)據(jù)，并通過輸出層輸出重構(gòu)結(jié)果，1D-RCAE訓(xùn)練過程以最小化響應(yīng)重構(gòu)誤差為目標(biāo)，從而保證提取特征的有效性。

圖1 1D-RCAE模型Fig.1 Architecture of the 1D-RCAE model

由圖1可知，1D-RCAE模型輸入數(shù)據(jù)x為三維張量，張量x包含Nc個(gè)通道，每一通道存儲長度為1×len的單一向量，即張量大小為1×len×Nc。傳統(tǒng)方法將各測點(diǎn)指定時(shí)間長度動力響應(yīng)作為各通道向量，即輸入數(shù)據(jù)通道數(shù)目Nc=Nm，其中Nm表示響應(yīng)測點(diǎn)數(shù)；而本文所提方法首先使用PCA方法融合多測點(diǎn)動力響應(yīng)數(shù)據(jù)，并將數(shù)據(jù)融合結(jié)果作為1D-RCAE模型的輸入，即輸入數(shù)據(jù)通道數(shù)目Nc=Nk，其中Nk表示主成分保留階數(shù)。

卷積層通過卷積操作從該層輸入數(shù)據(jù)xconv中提取數(shù)據(jù)特征，其數(shù)據(jù)處理方式為

(6)

特征層整合卷積層提取到的多類型特征，輸出結(jié)果為1×64的向量，所提方法將特征層輸出作為損傷敏感特征，并基于此構(gòu)造損傷指標(biāo)進(jìn)行損傷檢測。

解卷積層通過轉(zhuǎn)置卷積操作對輸入特征xdec進(jìn)行上采樣，從而基于輸入特征逐步重構(gòu)原始輸入數(shù)據(jù)，其數(shù)據(jù)處理方式為

(7)

1.3 損傷判定

本文所提方法通過計(jì)算結(jié)構(gòu)損傷前后敏感特征間的馬氏距離構(gòu)建結(jié)構(gòu)損傷判定指標(biāo)進(jìn)行損傷判定，損傷判定流程如下：

(1)依次將閾值確定集(基于已知健康結(jié)構(gòu)響應(yīng)生成)各樣本輸入已訓(xùn)練的1D-RCAE模型，提取特征層輸出作為基準(zhǔn)特征。假定存在Ns個(gè)樣本，由1.2節(jié)1D-RCAE模型架構(gòu)可知，特征層輸出為1×64的向量，因此Ns個(gè)樣本提取到的基準(zhǔn)特征可以組合成為Ns×64的基準(zhǔn)特征矩陣F=[f1,f2,…,fNs]T，其中fi表示1D-RCAE模型從閾值確定集樣本i中提取到的基準(zhǔn)特征，則各基準(zhǔn)特征間馬氏距離通過式(8)計(jì)算

(8)

式中：μf為Ns個(gè)基準(zhǔn)特征各時(shí)刻均值組成的向量，為1×64的向量；Ω為基準(zhǔn)特征矩陣F對應(yīng)的協(xié)方差矩陣。使用式(8)根據(jù)Ns個(gè)基準(zhǔn)特征計(jì)算得到Ns個(gè)馬氏距離，并基于3σ準(zhǔn)則確定基準(zhǔn)閾值，即以Ns個(gè)馬氏距離的均值加3倍的標(biāo)準(zhǔn)差作為基準(zhǔn)閾值。

(2)將待檢測結(jié)構(gòu)響應(yīng)輸入已訓(xùn)練的1D-RCAE模型，提取特征層輸出作為提取到的特征f′，則f′與上述基準(zhǔn)特征間馬氏距離通過式(9)計(jì)算

(9)

最終通過將D(f′)與上述基準(zhǔn)閾值相比較進(jìn)行損傷判定，即若D(f′)小于基準(zhǔn)閾值則判定為健康結(jié)構(gòu)，否則判定結(jié)構(gòu)存在損傷。

1.4 基于數(shù)據(jù)融合及1D-RCAE的損傷識別方法

本文就深?；燧斄⒐芙Y(jié)構(gòu)損傷檢測問題開展研究，提出了一種基于數(shù)據(jù)融合及1D-RCAE的結(jié)構(gòu)損傷識別方法。方法直接基于結(jié)構(gòu)動力響應(yīng)進(jìn)行損傷識別，首先使用PCA融合多測點(diǎn)響應(yīng)信息，然后將融合結(jié)果作為1D-RCAE輸入，借助于1D-RCAE自動提取損傷敏感特征，最終計(jì)算損傷敏感特征與基準(zhǔn)特征之間的馬氏距離，通過與預(yù)設(shè)閾值相比較進(jìn)行損傷判定。

損傷識別方法的流程如圖2所示。

圖2 方法實(shí)施流程Fig.2 Flowchart of the proposed method

步驟1數(shù)據(jù)集生成。獲取已知未損傷結(jié)構(gòu)Nm個(gè)測點(diǎn)響應(yīng)，使用長度為Nt的時(shí)間窗口隨機(jī)截取Ns組樣本，即得到Ns個(gè)Nt×Nm的響應(yīng)矩陣，繼而按照1.1節(jié)中所述流程借助PCA進(jìn)行多測點(diǎn)響應(yīng)融合，假定保留Nk階主成分，則得到Ns個(gè)Nt×Nk的數(shù)據(jù)融合矩陣，將數(shù)據(jù)融合矩陣的各階主成分重組為1×Nt×Nk的三維張量作為最終的樣本，將Ns組樣本按照指定比例劃分為訓(xùn)練/驗(yàn)證/閾值確定數(shù)據(jù)集。

步驟21D-RCAE模型建立及訓(xùn)練。建立如1.2節(jié)所示1D-RCAE模型(Nc=Nk)，使用訓(xùn)練/驗(yàn)證數(shù)據(jù)集對模型進(jìn)行訓(xùn)練/預(yù)測試，直至響應(yīng)重構(gòu)誤差滿足要求為止，得到已訓(xùn)練的1D-RCAE模型。

步驟3損傷判定閾值確定。將步驟1中閾值確定數(shù)據(jù)集各樣本輸入已訓(xùn)練的1D-RCAE模型，使用模型自動提取多樣本特征形成基準(zhǔn)特征矩陣，基于式(8)計(jì)算閾值確定數(shù)據(jù)集各基準(zhǔn)特征間的馬氏距離，并基于3σ準(zhǔn)則確定損傷判定基準(zhǔn)閾值，即以基準(zhǔn)特征間馬氏距離的均值加3倍標(biāo)準(zhǔn)差作為損傷判定基準(zhǔn)閾值。

步驟4待檢測結(jié)構(gòu)損傷判定。獲取待檢測結(jié)構(gòu)Nm個(gè)測點(diǎn)響應(yīng)，按照1.1節(jié)中步驟借助PCA融合多測點(diǎn)響應(yīng)(保留Nk階主成分)，并將數(shù)據(jù)融合結(jié)果輸入已訓(xùn)練的1D-RCAE模型，借助模型自動提取損傷敏感特征，繼而基于式(9)計(jì)算該特征與步驟3中基準(zhǔn)特征之間的馬氏距離作為損傷指標(biāo)，通過與步驟3中基準(zhǔn)閾值相比較進(jìn)行損傷判定，即若小于基準(zhǔn)閾值則判定為健康結(jié)構(gòu)，反之判定為損傷結(jié)構(gòu)。

2 數(shù)值模擬研究

2.1 有限元模型

利用ANSYS軟件建立深?；燧斄⒐苡邢拊Ｐ?，模型長500 m，頂端與采礦船連接部分簡化為固定端約束，底端與軟管連接部分簡化為自由端。有限元模型劃分為57節(jié)點(diǎn)56單元，其中：單元1位于水面以上，長度為5 m；單元2～單元56位于水面以下，長度均為9 m。采用PIPE288單元建立有限元模型，單元截面尺寸為Φ 0.18×0.013 m，單元材料屬性如下：材料密度為7 850 kg/m3，彈性模量為210 GPa，泊松比為0.3。有限元模型在距離頂部固定端120 m位置(即水面以下115 m位置)設(shè)置5 t質(zhì)量點(diǎn)，用于模擬揚(yáng)礦泵結(jié)構(gòu)，立管數(shù)值模型如圖3所示。對深?；燧斄⒐苡邢拊Ｐ瓦M(jìn)行模態(tài)分析，模型前6階固有頻率如表1所示，模型前6階模態(tài)振型如圖4所示。

圖3 立管數(shù)值模型Fig.3 Numerical model of riser

表1 有限元模型前6階固有頻率

深?；燧斄⒐茏鳂I(yè)過程中，海洋環(huán)境因素持續(xù)變化引起結(jié)構(gòu)動力響應(yīng)改變，基于結(jié)構(gòu)動力響應(yīng)的損傷檢測方法對該變化敏感，變化海洋環(huán)境因素影響下極易發(fā)生誤判。因此，文章進(jìn)一步探究變化海洋環(huán)境荷載作用條件下方法損傷識別效果，以南海某海域?yàn)槟繕?biāo)海域，根據(jù)目標(biāo)海域長期觀測資料，隨機(jī)波浪荷載有效波高集中分布于0.8 m附近，有效波周期集中分布于5 s附近，海流荷載相對恒定。因此本文選取目標(biāo)海域6種典型海況作為擬施加環(huán)境荷載，各典型海況隨機(jī)波及海流參數(shù)如表2所示，其中海況1為基準(zhǔn)海況，海況1/海況2/海況3及海況1/海況4/海況5/海況6分別用于探究有效波高及有效波周期變化條件下，所提方法損傷識別效果，2.5節(jié)將在海洋環(huán)境因素變化條件下對方法損傷識別效果進(jìn)行探究。

圖4 有限元模型前6階模態(tài)振型Fig.4 The first six modal shapes of finite element model

表2 隨機(jī)波及海流荷載參數(shù)

2.2 損傷工況及響應(yīng)提取

深?；燧斄⒐芙Y(jié)構(gòu)作業(yè)期間，內(nèi)部固液兩相流體流動持續(xù)磨蝕內(nèi)壁面，因此數(shù)值模擬中通過單元外徑不變、內(nèi)徑擴(kuò)大的方式模擬壁厚減小損傷。

彎曲應(yīng)變響應(yīng)對結(jié)構(gòu)局部損傷敏感，基于彎曲應(yīng)變響應(yīng)進(jìn)行結(jié)構(gòu)狀態(tài)監(jiān)測前，需要結(jié)合實(shí)際情況分析結(jié)構(gòu)易損傷位置，并在易損傷位置附近布置測點(diǎn)，從而實(shí)現(xiàn)易損傷位置的重點(diǎn)監(jiān)測。針對深海混輸立管結(jié)構(gòu)的易損傷位置分析如下：①深?；燧斄⒐芎喕癁轫敹斯潭ā⒌锥俗杂傻膽冶哿航Y(jié)構(gòu)，頂部固定端應(yīng)力集中效應(yīng)明顯，易發(fā)生損傷；②海面附近結(jié)構(gòu)長期遭受波浪荷載往復(fù)作用，極易產(chǎn)生疲勞損傷；③立管結(jié)構(gòu)水面以下115 m位置設(shè)置提升泵，提升泵作業(yè)期間持續(xù)振動帶動附近結(jié)構(gòu)振動，長期作用下容易引發(fā)疲勞損傷。

根據(jù)上述分析，數(shù)值模擬中損傷單元及響應(yīng)測點(diǎn)選取如下：①根據(jù)上述易損傷位置分析，設(shè)定單元1/單元2/單元14損傷結(jié)構(gòu)狀態(tài)，并選取單元1/單元2共同相鄰節(jié)點(diǎn)(節(jié)點(diǎn)2)，以及單元14相鄰節(jié)點(diǎn)(節(jié)點(diǎn)14)作為響應(yīng)測點(diǎn)，用于重點(diǎn)監(jiān)測易損傷位置狀態(tài)；②設(shè)定單元9損傷狀態(tài)，探究損傷單元附近無測點(diǎn)情況下的損傷檢測效果；設(shè)定多種雙損傷狀態(tài)，探究多個(gè)單元同時(shí)損傷情況下的損傷檢測效果；③在節(jié)點(diǎn)2與節(jié)點(diǎn)14之間均勻布置3個(gè)測點(diǎn)，分別為節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11，用于監(jiān)測深?；燧斄⒐芙Y(jié)構(gòu)0～120 m內(nèi)結(jié)構(gòu)狀態(tài)。最終選取節(jié)點(diǎn)2/節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11/節(jié)點(diǎn)14為響應(yīng)測點(diǎn)，損傷工況設(shè)定如表3所示，損傷單元及響應(yīng)測點(diǎn)位置如圖5所示。

表3 損傷工況

圖5 響應(yīng)測點(diǎn)及損傷單元位置(m)Fig.5 Position of measuring point and damage element (m)

2.3 無噪聲單海況條件下?lián)p傷識別

以表2中海況1作用為例，探究單海況條件下方法損傷識別性能。數(shù)值模擬流程如下：

步驟1動力響應(yīng)獲取。在ANSYS軟件中對表3中8種結(jié)構(gòu)狀態(tài)對應(yīng)的有限元模型施加海況1波流耦合荷載并進(jìn)行瞬態(tài)分析，提取節(jié)點(diǎn)2/節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11/節(jié)點(diǎn)14彎曲應(yīng)變響應(yīng)，響應(yīng)提取時(shí)長為3 000 s，采樣頻率為10 Hz。

步驟2數(shù)據(jù)集生成。使用長度為1 024的時(shí)間窗口對健康狀態(tài)下各測點(diǎn)0～1 000 s響應(yīng)進(jìn)行隨機(jī)裁剪，生成2 200組樣本，各樣本為 1 024×5的響應(yīng)矩陣，并將響應(yīng)矩陣轉(zhuǎn)化為1×1 024×5的張量。將上述樣本按照5 ∶1 ∶5的比例劃分為訓(xùn)練/驗(yàn)證/閾值確定集，樣本數(shù)目分別為1 000/200/1 000。使用長度為1 024的時(shí)間窗口分別對健康狀態(tài)下各測點(diǎn)1 000～2 000 s響應(yīng)與表3中7種損傷狀態(tài)下各測點(diǎn)1 000～2 000 s響應(yīng)進(jìn)行隨機(jī)裁剪，生成各結(jié)構(gòu)狀態(tài)對應(yīng)的測試數(shù)據(jù)集，對應(yīng)于8種結(jié)構(gòu)狀態(tài)存在8個(gè)測試數(shù)據(jù)集，各測試數(shù)據(jù)集樣本數(shù)目均為1 000，各樣本均為1×1 024×5的張量。

步驟31D-RCAE模型訓(xùn)練及閾值確定。按照1.2節(jié)中架構(gòu)建立1D-RCAE模型后，使用訓(xùn)練/驗(yàn)證數(shù)據(jù)集完成1D-RCAE模型訓(xùn)練，將閾值確定集各樣本輸入已訓(xùn)練的1D-RCAE模型提取數(shù)據(jù)特征，并基于特征間馬氏距離確定損傷判定基準(zhǔn)閾值。

步驟4結(jié)構(gòu)損傷識別。將測試集各樣本輸入已訓(xùn)練的1D-RCAE模型提取數(shù)據(jù)特征，計(jì)算該特征與基準(zhǔn)特征之間的馬氏距離，并通過與上述損傷判定基準(zhǔn)閾值相比較進(jìn)行損傷判定，若提取特征小于損傷判定基準(zhǔn)閾值則判定為健康結(jié)構(gòu)，反之判定為損傷結(jié)構(gòu)。

2.3.1 單測點(diǎn)響應(yīng)損傷識別分析

首先探究僅基于單測點(diǎn)彎曲應(yīng)變響應(yīng)的損傷識別效果，即分別以上述各樣本中節(jié)點(diǎn)2/節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11/節(jié)點(diǎn)14的單一彎曲應(yīng)變響應(yīng)(即樣本各通道數(shù)據(jù))作為1D-RCAE模型輸入進(jìn)行損傷判定，通過計(jì)算測試集中準(zhǔn)確識別結(jié)構(gòu)狀態(tài)的樣本數(shù)目與總樣本數(shù)目比值確定損傷識別準(zhǔn)確率，損傷判定結(jié)果，如表4所示。

表4 單測點(diǎn)響應(yīng)損傷識別結(jié)果

由表4可知，僅使用單測點(diǎn)彎曲應(yīng)變響應(yīng)進(jìn)行損傷識別：①當(dāng)結(jié)構(gòu)未發(fā)生損傷時(shí)，利用任一測點(diǎn)響應(yīng)對健康結(jié)構(gòu)狀態(tài)(工況A)損傷識別準(zhǔn)確率均高于99%，即極少發(fā)生將健康結(jié)構(gòu)誤判為損傷結(jié)構(gòu)的現(xiàn)象；②基于節(jié)點(diǎn)2彎曲應(yīng)變響應(yīng)可以準(zhǔn)確識別單元1/單元2損傷結(jié)構(gòu)狀態(tài)(工況B/工況C/工況F/工況G)，而無法識別單元9/單元12/單元14損傷的結(jié)構(gòu)狀態(tài)(工況D/工況E/工況H)，即當(dāng)結(jié)構(gòu)存在損傷時(shí)，損傷附近測點(diǎn)彎曲應(yīng)變響應(yīng)對成功識別損傷至關(guān)重要，節(jié)點(diǎn)8/節(jié)點(diǎn)14彎曲應(yīng)變響應(yīng)損傷識別結(jié)果同樣證明了該結(jié)論；③雙損傷工況(工況F/工況G/工況H)識別準(zhǔn)確率較單損傷工況(工況B/工況C/工況D/工況E)有所提升，即隨著損傷單元數(shù)目的增加，損傷判定準(zhǔn)確率隨之增加。

2.3.2 多測點(diǎn)響應(yīng)損傷識別分析

由2.3.1節(jié)損傷識別結(jié)果可知，單測點(diǎn)彎曲應(yīng)變響應(yīng)僅對測點(diǎn)附近的損傷敏感，僅使用單測點(diǎn)彎曲應(yīng)變響應(yīng)難以監(jiān)測深?；燧斄⒐芙Y(jié)構(gòu)整體健康狀態(tài)，需要使用多測點(diǎn)彎曲應(yīng)變響應(yīng)以擴(kuò)大損傷識別范圍，因此進(jìn)一步探究基于多測點(diǎn)響應(yīng)的損傷識別效果。使用PCA方法融合上述各樣本中節(jié)點(diǎn)2/節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11/節(jié)點(diǎn)14彎曲應(yīng)變響應(yīng)，數(shù)據(jù)融合過程中計(jì)算得到一階主成分對應(yīng)的累積能量占比為0.956，大于1.1節(jié)中預(yù)設(shè)閾值ε=0.95，因此主成分階數(shù)Nk設(shè)定為1，即數(shù)據(jù)融合后各樣本大小為1×1 024×1，并將融合結(jié)果矩陣作為1D-RCAE模型輸入進(jìn)行損傷判定。同時(shí)基于傳統(tǒng)方法進(jìn)行損傷識別數(shù)值模擬，即直接將2.3.1節(jié)中各樣本(大小為1×1 024×5的張量)作為1D-RCAE模型輸入進(jìn)行損傷判定，并將損傷判定結(jié)果與所提方法進(jìn)行比較。需要注意的是，由于所提方法中1D-RCAE模型輸入大小為1×1 024×1，傳統(tǒng)方法中1D-RCAE模型輸入大小為1×1 024×5，即所提方法與傳統(tǒng)方法輸入數(shù)據(jù)大小不同，因此需要分別搭建1D-RCAE模型，基于訓(xùn)練/驗(yàn)證數(shù)據(jù)集進(jìn)行訓(xùn)練，并基于閾值確定數(shù)據(jù)集確定基準(zhǔn)特征及損傷判定基準(zhǔn)閾值。兩種方法損傷判定結(jié)果如圖6所示，圖中標(biāo)注了使用兩種方法進(jìn)行損傷判定時(shí)的損傷判定基準(zhǔn)閾值，當(dāng)損傷指標(biāo)小于損傷判定基準(zhǔn)閾值時(shí)判定為健康結(jié)構(gòu)，否則判定為損傷結(jié)構(gòu)，同時(shí)標(biāo)注了不同工況下的結(jié)構(gòu)損傷識別準(zhǔn)確率，由于損傷指標(biāo)量級較大，為了方便觀察，對損傷指標(biāo)取以e為底的對數(shù)，即以對數(shù)馬氏距離為縱軸進(jìn)行繪制。

圖6 多測點(diǎn)響應(yīng)損傷判定結(jié)果Fig.6 Damage detection result using multiple response

圖6中損傷判定基準(zhǔn)閾值確定過程如下：依次將閾值確定數(shù)據(jù)集各樣本輸入已訓(xùn)練的1D-RCAE模型進(jìn)行處理，提取特征層輸出作為樣本的基準(zhǔn)特征，并基于式(8)計(jì)算各基準(zhǔn)特征對應(yīng)的馬氏距離指標(biāo)，統(tǒng)計(jì)1 000組樣本對應(yīng)的馬氏距離指標(biāo)的均值及標(biāo)準(zhǔn)差，以均值加3倍的標(biāo)準(zhǔn)差作為損傷判定基準(zhǔn)閾值，當(dāng)1D-RCAE模型輸入為PCA數(shù)據(jù)融合結(jié)果/數(shù)據(jù)組合結(jié)果時(shí)，損傷判定基準(zhǔn)閾值分別為134.3/121.5，取以e為底的對數(shù)后分別為4.9/4.8。由圖6可知：①PCA數(shù)據(jù)融合及傳統(tǒng)數(shù)據(jù)組合方法對健康結(jié)構(gòu)狀態(tài)(工況A)損傷識別準(zhǔn)確率均高于99%，即能夠準(zhǔn)確識別健康結(jié)構(gòu)狀態(tài)；②由于傳統(tǒng)數(shù)據(jù)組合方法輸入數(shù)據(jù)存在大量關(guān)聯(lián)及冗余，難以有效提取到損傷敏感特征，因此無法有效識別單元1及單元9損傷結(jié)構(gòu)狀態(tài)(工況B/工況D)；而將PCA融合結(jié)果作為1D-RCAE模型輸入進(jìn)行損傷判定，由于消除了多測點(diǎn)響應(yīng)間關(guān)聯(lián)性及剔除了大量冗余信息，能夠更加有效地提取到損傷敏感特征，因此可以準(zhǔn)確判定多種結(jié)構(gòu)損傷狀態(tài)(工況B～工況H)；③由于單元1/單元2附近存在響應(yīng)測點(diǎn)(測點(diǎn)1)，而單元9與響應(yīng)測點(diǎn)存在一定距離，因此相同損傷程度下(單元壁厚減小10%)，單元9損傷狀態(tài)(工況D)較單元1/單元2損傷狀態(tài)(工況B/工況C)的損傷指標(biāo)顯著性低，但依舊可以準(zhǔn)確識別出結(jié)構(gòu)損傷；④結(jié)構(gòu)損傷單元數(shù)目增加時(shí)，損傷識別難度降低，因此對多種雙損傷工況(工況F/工況G/工況H)，所提方法與傳統(tǒng)方法均可有效識別結(jié)構(gòu)狀態(tài)。

2.4 含噪聲單海況條件下?lián)p傷識別

現(xiàn)場實(shí)測結(jié)構(gòu)動力響應(yīng)的過程中，受測量環(huán)境及傳感器自身穩(wěn)定性的影響，實(shí)測響應(yīng)信號中存在噪聲污染，將會在一定程度上掩蓋結(jié)構(gòu)損傷信息，對損傷檢測方法效果產(chǎn)生影響。本節(jié)進(jìn)一步探究不同程度噪聲污染情況下方法損傷檢測穩(wěn)定性，主要思路如下：引入2.3.1節(jié)中提取的海況1作用下節(jié)點(diǎn)2/節(jié)點(diǎn)5/節(jié)點(diǎn)8/節(jié)點(diǎn)11/節(jié)點(diǎn)14彎曲應(yīng)變響應(yīng)，通過向信號中添加高斯白噪聲模擬噪聲污染信號，并基于噪聲污染信號進(jìn)行損傷檢測數(shù)值模擬，其中噪聲污染程度通過信噪比指標(biāo)衡量，共模擬了20 db/10 db兩種不同程度噪聲污染情況。表3中8種工況各存在1 000組測試樣本，通過計(jì)算1 000組樣本中準(zhǔn)確識別結(jié)構(gòu)狀態(tài)的樣本數(shù)目與總樣本數(shù)目的比值確定損傷識別準(zhǔn)確率，損傷判定結(jié)果如圖7所示，分別使用三角形、正方形、圓形表示3種不同程度噪聲污染情況下的損傷識別準(zhǔn)確率，各列分別表示表3中8種結(jié)構(gòu)狀態(tài)的損傷識別結(jié)果。

圖7 噪聲污染情況下?lián)p傷判定結(jié)果Fig.7 Damage detection result under noise pollution

由圖7可知：①噪聲污染對健康結(jié)構(gòu)狀態(tài)(工況A)識別效果存在輕微影響，但識別準(zhǔn)確率始終保持在98%以上；②工況D表示單元9損傷結(jié)構(gòu)狀態(tài)，由于單元9附近無響應(yīng)測點(diǎn)，測點(diǎn)響應(yīng)能夠提供的損傷信息有限，因此噪聲污染嚴(yán)重(10 db噪聲污染)情況下存在一定程度誤判，但識別準(zhǔn)確率依舊保持在90%以上；③對損傷單元附近存在測點(diǎn)(工況B/工況C/工況E/工況F/工況G)或多個(gè)單元損傷(工況F/工況G/工況H)而言，由于測點(diǎn)響應(yīng)能夠提供足夠充分的損傷信息，因此多種程度噪聲污染情況下均可準(zhǔn)確識別結(jié)構(gòu)狀態(tài)。

2.5 含噪聲變化環(huán)境因素條件下?lián)p傷識別

深海混輸立管結(jié)構(gòu)作業(yè)期間，海洋環(huán)境因素持續(xù)變化將會引起結(jié)構(gòu)動力響應(yīng)改變，而基于結(jié)構(gòu)動力響應(yīng)的損傷識別方法對該變化敏感，因此變化海洋環(huán)境荷載作用下極易發(fā)生誤判。本節(jié)進(jìn)一步探究變化環(huán)境荷載作用條件下方法適用性，同時(shí)考慮存在20 db噪聲污染情況，主要思路如下：首先引入2.4節(jié)中基于海況1作用下健康結(jié)構(gòu)狀態(tài)響應(yīng)訓(xùn)練的1D-RCAE模型，同時(shí)引入對應(yīng)的基準(zhǔn)特征及損傷判定基準(zhǔn)閾值；然后基于海況2～海況7作用下各結(jié)構(gòu)狀態(tài)響應(yīng)生成測試數(shù)據(jù)集，將測試數(shù)據(jù)集各樣本輸入已訓(xùn)練的1D-RCAE模型提取數(shù)據(jù)特征，并計(jì)算提取特征與基準(zhǔn)特征之間的馬氏距離作為損傷判定指標(biāo)；最后通過比較損傷判定指標(biāo)與損傷判定基準(zhǔn)閾值進(jìn)行損傷判定，若小于基準(zhǔn)閾值則判定為健康結(jié)構(gòu)，反之判定為損傷結(jié)構(gòu)。表3中8種工況各存在1 000組測試樣本，通過計(jì)算1 000組樣本中準(zhǔn)確識別結(jié)構(gòu)狀態(tài)的樣本數(shù)目與總樣本數(shù)目比值確定損傷識別準(zhǔn)確率，損傷識別結(jié)果如圖8所示，分別使用6種不同形狀的點(diǎn)表示6種不同海況作用條件下?lián)p傷識別準(zhǔn)確率，各列分別表示表3中8種結(jié)構(gòu)狀態(tài)的損傷識別結(jié)果。

圖8 變化環(huán)境因素下?lián)p傷判定結(jié)果Fig.8 Damage detection result under varying environment

由圖8可知，考慮20 db噪聲污染以及變化海洋環(huán)境荷載作用條件下：①健康結(jié)構(gòu)狀態(tài)(工況A)存在輕微損傷誤判現(xiàn)象，有效波高變化(海況1/海況2/海況3)對損傷識別準(zhǔn)確率的影響小于有效波周期變化(海況1/海況4/海況5/海況6)情況，且隨著有效波周期變化劇烈程度的增加，損傷識別準(zhǔn)確率逐漸下降，但變化海洋環(huán)境荷載作用條件下識別準(zhǔn)確率始終保持在98%以上；②有效波高及有效波周期變化條件下，所提方法均可有效識別多種損傷結(jié)構(gòu)狀態(tài)(工況B～工況H)。

3 物理模型試驗(yàn)驗(yàn)證

3.1 試驗(yàn)簡介

為了進(jìn)一步驗(yàn)證方法實(shí)用性及有效性，在大連理工大學(xué)船模拖曳試驗(yàn)水池開展物理模型試驗(yàn)，試驗(yàn)裝置主要包括以下三部分：①立管支撐裝置。如圖9(a)所示，整體尺寸為1 m×1 m×2 m(長×寬×高)，使用高強(qiáng)度卡箍與G型夾固定于桁車上，用于支撐立管物理模型；②立管物理模型，如圖9所示，采用玻纖增強(qiáng)聚丙烯管(FRPP管)制成，有效長度為6 m，由12節(jié)子管件連接而成，單節(jié)子管件長度為0.5 m，管件截面尺寸為Φ 0.02×0.002 5 m，各子管件間通過法蘭盤與高強(qiáng)螺栓連接。立管物理模型頂端采用G型夾固定于支撐裝置上，底端自由，以實(shí)現(xiàn)頂端固定、底端自由的邊界條件；③應(yīng)變數(shù)據(jù)采集系統(tǒng)，沿深?；燧斄⒐芪锢砟Ｐ烷L度方向均勻布置3個(gè)測點(diǎn)，測點(diǎn)1/測點(diǎn)2/測點(diǎn)3分別位于單元2/單元5/單元10中點(diǎn)位置(其中測點(diǎn)2用于重點(diǎn)監(jiān)測水面附近結(jié)構(gòu)狀態(tài))，各響應(yīng)測點(diǎn)位置如圖9(b)所示，使用電阻式應(yīng)變片基于半橋連接方式測量上述測點(diǎn)處模型彎曲應(yīng)變。對立管物理模型施加波流耦合荷載，其中：①隨機(jī)波荷載通過造波機(jī)施加，有效波高為0.8 m，有效波周期為5 s；②海流荷載施加通過拖車帶動立管模型前進(jìn)實(shí)現(xiàn)，海流流速為0.1 m/s。

圖9 立管物理模型Fig.9 Riser physical model

3.2 損傷工況及響應(yīng)采集

基于與2.2節(jié)中相同原因，通過外徑不變、擴(kuò)大內(nèi)徑的方式模擬壁厚減小損傷，并將指定位置健康子管件替換為損傷子管件引入結(jié)構(gòu)損傷?；?.2節(jié)中易損傷位置分析，水面附近部分結(jié)構(gòu)易發(fā)生損傷，因此設(shè)定水面附近單元(單元6/單元7)損傷工況，同時(shí)考慮多種損傷程度。損傷單元位置見圖9(b)，最終設(shè)定損傷工況如表5所示。

表5 損傷工況

對立管物理模型施加3.1節(jié)中指定環(huán)境荷載，通過傳感器采集系統(tǒng)獲取結(jié)構(gòu)指定測點(diǎn)彎曲應(yīng)變響應(yīng)。應(yīng)變響應(yīng)采集時(shí)長為1 800 s，采樣頻率為50 Hz。

3.3 損傷識別結(jié)果

引入3.2節(jié)中提取的健康狀態(tài)結(jié)構(gòu)測點(diǎn)1/測點(diǎn)2/測點(diǎn)3彎曲應(yīng)變響應(yīng)，使用長度為對1 024的時(shí)間窗口對健康狀態(tài)1～600 s響應(yīng)進(jìn)行隨機(jī)裁剪獲取1 100組樣本，即形成1 100組1 024×3的彎曲應(yīng)變響應(yīng)矩陣，將上述樣本按照5 ∶1 ∶5的比例劃分為訓(xùn)練/驗(yàn)證/閾值確定集，樣本數(shù)目分別為500/100/500。然后使用長度為對1 024的時(shí)間窗口對健康狀態(tài)及4種損傷狀態(tài)600～1 800 s響應(yīng)進(jìn)行隨機(jī)裁剪，為各結(jié)構(gòu)狀態(tài)均生成1 000組樣本，各樣本大小均為1 024×3。使用PCA融合上述各樣本中測點(diǎn)1/測點(diǎn)2/測點(diǎn)3彎曲應(yīng)變響應(yīng)，通過計(jì)算可知，一階主成分對應(yīng)累積能量占比為0.963，大于1.1節(jié)中預(yù)設(shè)閾值ε=0.95，因此主成分保留階數(shù)Nk設(shè)定為1，并將數(shù)據(jù)融合結(jié)果重組為大小為1×1 024×1的三維張量。使用訓(xùn)練/驗(yàn)證集完成1D-RCAE模型訓(xùn)練后，將閾值確定集各樣本輸入已訓(xùn)練的1D-RCAE模型提取數(shù)據(jù)特征，并基于特征間馬氏距離確定基準(zhǔn)閾值，繼而將測試數(shù)據(jù)集各樣本輸入已訓(xùn)練的1D-RCAE模型提取數(shù)據(jù)特征，計(jì)算該特征與基準(zhǔn)特征之間的馬氏距離，并通過與上述閾值相比較進(jìn)行損傷判定。損傷判定結(jié)果如圖10所示，圖中標(biāo)注了使用所提方法進(jìn)行損傷判定時(shí)的損傷判定基準(zhǔn)閾值，當(dāng)損傷指標(biāo)小于損傷判定基準(zhǔn)閾值時(shí)判定為健康結(jié)構(gòu)，否則判定為損傷結(jié)構(gòu)，同時(shí)標(biāo)注了不同工況下的結(jié)構(gòu)損傷識別準(zhǔn)確率。由于損傷指標(biāo)量級較大，為了方便觀察，對損傷指標(biāo)取以e為底的對數(shù)，即以對數(shù)馬氏距離為縱軸進(jìn)行繪制。

圖10 PCA數(shù)據(jù)融合損傷判定結(jié)果Fig.10 Damage detection result using PCA data fusion

圖10中損傷判定基準(zhǔn)閾值確定過程如下：依次將閾值確定數(shù)據(jù)集各樣本輸入已訓(xùn)練的1D-RCAE模型進(jìn)行處理，提取特征層輸出作為樣本的基準(zhǔn)特征，并基于式(8)計(jì)算各基準(zhǔn)特征對應(yīng)的馬氏距離指標(biāo)，統(tǒng)計(jì)500組樣本對應(yīng)的馬氏距離指標(biāo)的均值及標(biāo)準(zhǔn)差，以均值加3倍的標(biāo)準(zhǔn)差作為損傷判定基準(zhǔn)閾值，最終確定損傷判定基準(zhǔn)閾值為118，取以e為底的對數(shù)后為4.77。由圖10可知：①健康結(jié)構(gòu)損傷識別準(zhǔn)確率為98.9%，即極少發(fā)生將健康結(jié)構(gòu)誤判為損傷結(jié)構(gòu)的現(xiàn)象；②損傷結(jié)構(gòu)狀態(tài)識別準(zhǔn)確率均為100%，即所提方法可以準(zhǔn)確識別多種損傷結(jié)構(gòu)狀態(tài)；③對比單元6不同損傷程度結(jié)構(gòu)狀態(tài)(工況B/工況C/工況D)的損傷指標(biāo)可知，單元損傷程度越大，損傷指標(biāo)顯著性更高。

3.4 損傷定位結(jié)果

在完成結(jié)構(gòu)損傷判定的基礎(chǔ)上，進(jìn)一步實(shí)現(xiàn)結(jié)構(gòu)損傷定位，損傷定位思路如下：由于測點(diǎn)與損傷位置間距離越小，損傷引起該測點(diǎn)結(jié)構(gòu)動力特性變化越明顯，因此判定結(jié)構(gòu)存在損傷后，首先基于健康狀態(tài)結(jié)構(gòu)動力響應(yīng)訓(xùn)練1D-RCAE模型，并使用已訓(xùn)練的1D-RCAE模型分別處理健康狀態(tài)結(jié)構(gòu)各測點(diǎn)響應(yīng)，確定各測點(diǎn)對應(yīng)的基準(zhǔn)特征；然后使用已訓(xùn)練的1D-RCAE模型分別提取損傷結(jié)構(gòu)各測點(diǎn)響應(yīng)特征，并計(jì)算各測點(diǎn)響應(yīng)提取特征與對應(yīng)測點(diǎn)基準(zhǔn)特征間馬氏距離，作為對應(yīng)測點(diǎn)的損傷定位指標(biāo)；最終通過比較各測點(diǎn)損傷定位指標(biāo)進(jìn)行損傷定位，即判定損傷定位指標(biāo)顯著大的測點(diǎn)附近存在結(jié)構(gòu)損傷。

為了驗(yàn)證方法損傷定位效果，對表5中工況B/工況E進(jìn)行損傷定位模擬，損傷定位結(jié)果如圖11所示。

由圖11可知，測點(diǎn)2對應(yīng)損傷定位指標(biāo)最大，其次為測點(diǎn)3，因此可以判定損傷單元位于測點(diǎn)2與測點(diǎn)3之間，且與測點(diǎn)2間距離最小，損傷定位結(jié)果與實(shí)際損傷單元位置(見圖9)相符合，即所提方法能夠有效識別結(jié)構(gòu)損傷位置。

圖11 損傷定位結(jié)果Fig.11 Results of damage location prediction

4 結(jié) 論

本文就深?；燧斄⒐芙Y(jié)構(gòu)損傷識別開展研究，針對損傷識別過程中存在的模態(tài)參數(shù)識別困難、海洋環(huán)境因素變化引起損傷誤判等問題，提出了一種基于數(shù)據(jù)融合及1D-RCAE的結(jié)構(gòu)損傷識別方法，方法首先借助PCA沿空間方向?qū)⒍鄿y點(diǎn)響應(yīng)信息集中到指定階主成分上，從而實(shí)現(xiàn)多測點(diǎn)響應(yīng)融合，然后將融合結(jié)果作為1D-RCAE輸入，使用1D-RCAE自動提取損傷敏感特征，并以損傷敏感特征與基準(zhǔn)特征之間的馬氏距離作為損傷指標(biāo)進(jìn)行結(jié)構(gòu)損傷識別。數(shù)值模擬及物理模型試驗(yàn)研究結(jié)果均表明，本文提出的方法能夠有效實(shí)現(xiàn)深?；燧斄⒐芙Y(jié)構(gòu)損傷識別，可為深海采礦系統(tǒng)的正常運(yùn)行提供保障。具體結(jié)論如下：

(1)測點(diǎn)距離損傷單元較遠(yuǎn)時(shí)，彎曲應(yīng)變響應(yīng)損傷敏感性較低，因此基于彎曲應(yīng)變響應(yīng)監(jiān)測結(jié)構(gòu)狀態(tài)前，需要結(jié)合實(shí)際情況分析結(jié)構(gòu)易損傷位置，從而優(yōu)化傳感器布置。

(2)當(dāng)監(jiān)測目標(biāo)為深海混輸立管整體結(jié)構(gòu)時(shí)，僅使用單測點(diǎn)彎曲應(yīng)變響應(yīng)損傷敏感性不足，需要綜合利用多測點(diǎn)彎曲應(yīng)變響應(yīng)信息以擴(kuò)大損傷識別范圍。

(3)相較于傳統(tǒng)數(shù)據(jù)組合方式，使用PCA融合多測點(diǎn)響應(yīng)可以消除多測點(diǎn)響應(yīng)間關(guān)聯(lián)性，同時(shí)剔除冗余信息，有助于1D-RCAE模型提取到更加有效的損傷敏感特征，從而提高損傷識別準(zhǔn)確率。

(4)噪聲污染及變化海洋環(huán)境荷載作用條件下，所提方法能夠在僅使用有限測點(diǎn)彎曲應(yīng)變響應(yīng)的情況下有效識別深?；燧斄⒐芙Y(jié)構(gòu)損傷，即所提方法具有良好的噪聲魯棒性，同時(shí)對海洋環(huán)境荷載變化具有良好的適應(yīng)性。