本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

Oct, 2022

使用 Transformer 神经网络和自监督预训练技术进行结构健康监测，超过传统方法在异常检测和交通负荷估计等任务上的性能，并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。

Apr, 2024

通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

Apr, 2024

这项研究引入了一种创新的卷积神经网络算法来检测结构损伤，通过从时间序列数据中提取深度空间特征，并利用长期时间连接教授卷积神经网络识别时空特征，结合两类时间序列数据（完好和损坏）的方法验证了其有效性，并证明该新的卷积神经网络算法在检测结构退化方面非常准确。

Nov, 2023

该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法，通过融合卷积和循环结构，以及关注机制的重要集成，该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具，还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。

Aug, 2023

本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

Feb, 2023

本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。

Feb, 2022

本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

Oct, 2022

无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

May, 2024

本研究旨在探索将边缘人工智能（AI）与结构健康监测领域相结合，例如在实时桥梁检查任务中，将商用的 Google Coral Dev Board 或 Kneron KL520 等边缘 AI 平台应用于决策支持系统，以便在物理现场上执行实时推断，从而进行其准确性、混淆矩阵生成和推理时间的评估。

Apr, 2023