王子凡，张健飞

（河海大学 力学与材料学院，南京211100）

工程结构的稳定性关系着人民福祉。因此如何及时有效的对结构进行损伤检测也成了学术界一个热点课题。如超声波或射线等传统损伤检测技术的探测范围有局限性，其对于结构内部或者人力、机械难以达到的部位探测效果欠佳。相比于传统检测技术，基于结构动态响应的损伤检测技术则具有很大的优越性，它利用采集到的振动信息来检测结构损伤，不仅经济性强，且无需打断结构的连续使用。结构振动信息包括诸如位移、加速度等的时域信息以及诸如频率、振型等的频域信息。目前，学者普遍使用基于频域信息的结构损伤识别方法，该方法比较损伤前后根据振动响应数据识别出的结构模态参数，通过其差异来识别损伤[1]，或是借助神经网络[2]、模型修正[3]等手段进行损伤识别。使用时域数据进行结构损伤检测的基本思想则是利用时域分析模型，通过模型提取结构的振动响应在时域上的特征对损伤进行判定[4]。由于这种方法使用测量到的时域数据直接进行识别，无需进行数值转换，所以其结构响应中与损伤相关的特征不会产生数值误差具有更强的适应性。

目前，很多深度学习模型已经被应用到基于时域数据的异常检测之中，2015年，Serkan 等[5]首次将一维卷积神经网络用于病人特定心电图（ECG）的分类和检测，其结果表明卷积神经网络对于心室异位搏动（VEB）和室上异位搏动（SVEB）的检测上具有很好的分类性能，其分类准确率分别达到99%以及97.6 %；……