近日，北京工业大学道路与桥梁工程研究所杜修力、韩强课题组在结构健康监测领域研究取得新进展。

结构状态感知是结构健康监测的核心任务，而随机数据丢失是阻碍无线智能传感器系统广泛部署的主要挑战之一。因此，从不完整数据中恢复随机丢失的响应对于后续的结构状态评估至关重要。本文提出了一种基于深度学习技术的随机丢失数据的神经语义修复框架，旨在减轻无线智能传感器网络中数据的随机丢失问题。为了克服极高丢失率下恢复问题的不适定性，提出了语义正则的概念。此外，提出了一种新的感知损失函数，使网络能够有效地集成数据丢失模式。该网络能够以自监督的方式进行端到端的训练，并能进行高效的推理。该框架有效利用了监测系统中时间序列的时空相关特性，通过对历史大数据的深度学习，能够高精度地恢复随机丢失数据。基于环境激励下的长期实测加速度响应，对模型的恢复性能和鲁棒性进行了充分的验证和评价。结果表明该框架具有从丢失率高达90%的数据中恢复原始信号的潜力。此外，模型具有良好的迁移性能，初步评估结果表明，在不经过重新训练的条件下该模型可有效地迁移至连续数据丢失的场景；该模型对长期温度变异不敏感，可潜在地用于识别结构状态异常。该框架有望为数据的压缩传感和结构异常状态感知提供一种新的途径。

该成果以Lost data neural semantic recovery framework for structural health monitoring based on deep learning为题发表于土木工程学科国际顶级期刊《Computer-Aided Civil and Infrastructure Engineering》（IF:11.775, Ranking: 1/137, Civil Engineering）。北京工业大学为唯一完成单位，土木工程2018级博士研究生姜克杰为第一作者。

Jiang, K., Han, Q.*, & Du, X. (2022). Lost data neural semantic recovery framework for structural health monitoring based on deep learning. Computer-Aided Civil and Infrastructure Engineering, 1-28. https://doi.org/10.1111/mice.12850