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

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

快速鉴定和分析气弹性模态的方法，结合动态模态分解、鲁棒主成分分析和稀疏模态选择准则，通过压缩感知算法增强了方法的稳健性和实时性，使其能够在颤振试验期间进行实时实现。

Mar, 2024

基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

Aug, 2023

利用分层贝叶斯模型对海上风电场结构进行人口型结构健康监测，并推断预期的土壤刚度分布，以进行异常检测。

Feb, 2024

风力发电场操作者面临的重要挑战是降低运维成本。结构健康监测提供了通过最小化不必要的维护出差以及延长涡轮使用寿命来降低成本的手段。基于人口的结构健康监测可以通过为多个结构（即涡轮）实施一个系统来进一步减少健康监测系统的成本。同时，结构人口内共享的数据可能改善结构行为的预测。为了在人口 / 农场水平监测涡轮性能，一个重要的初始步骤是构建一个描述所有涡轮在正常条件下行为的模型。本文提出了一个能明确捕捉由尾流效应引起的涡轮之间的时空相关性的人口水平模型。所提出的模型是基于高斯过程的空间自回归模型，这里称为 GP-SPARX 模型。这种方法的发展有以下原因：(a) 它反映了我们对尾流效应的物理理解，(b) 它受益于基于随机数据的学习者。通过提供一个案例研究，展示了 GP-SPARX 模型在捕捉时空变化方面的能力，以及它在健康监测系统中的潜在适用性。

Oct, 2023

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

本文讨论了采用层次贝叶斯方法的结构健康监测策略，解决了人员差异，数据缺失和变化的挑战，并为一小批通用直升机叶片开发了概率 FRF 模型。

Jul, 2023

该研究利用自适应控制理论作为非线性振动台控制算法，考虑振动台系统的固有非线性和线性控制器无法考虑的控制 - 结构相互作用效应，通过估计未知参数替代材料质量的变动，然后使用环形控制器实现的自适应控制方法的控制律，使用太平洋地震工程研究中心（PEER）数据库的地震记录进行模拟与实验，并表明该控制框架能够有效用于振动台控制。

Sep, 2023

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