机械结构广泛应用于航空航天结构、基础设施和工业生产中[1]。大型结构（如飞机和能源设施）在长期运行过程中不可避免地会因灾难、环境影响或疲劳损伤而出现功能退化。结构健康监测（SHM）是一种持续或定期评估结构状况的技术，旨在及时发现潜在的损伤或变化，从而提高结构的安全性和使用寿命[2]。早期的SHM技术主要依赖于统计分析来识别结构的变化。随着信号处理技术的进步，传统的SHM方法得到了深入研究[3]。最近，基于深度学习的方法因其高精度和鲁棒性而成为主流[4],[5],[6]。
基于振动和基于视觉的SHM是基于深度学习的方法中最受欢迎的两类[7]。特别是结合无人机技术和计算机视觉的基于视觉的SHM，在民用基础设施的结构健康监测中得到了广泛应用[8],[9],[10]。该方法特别适用于检测金属材料的表面裂纹和腐蚀。然而，视觉或热成像图像无法反映结构内部的损伤。另一方面，基于振动的SHM通过评估结构的振动响应来评估其健康状况[11]，使其成为监测复杂结构健康状况的通用工具。郭等人使用带有多尺度模块的卷积神经网络（CNN）从模态形状中提取损伤特征[12]。党等人设计了一种1D-CNN-LSTM网络，具有高精度和低内存复杂度，适用于长期连续的SHM[13]。杨等人指出，Transformer和CNN在处理振动结构响应时各有优缺点，并提出了一种并行混合的Transformer-CNN网络来重建丢失的信号数据[14]。此外，悬臂梁结构常用于SHM的研究。李等人提出了一个理论模型，用于解释弹性-塑性波在界面行为中的原因和影响因素。研究考虑了一组螺栓和螺母组装的两个悬臂梁[15]。Shereena等人提出了VS-IPKF方法，该方法利用基于悬臂梁的模型进行实际测量进行验证[16]。陈等人对悬臂梁在振动冲击下的加速度信号进行了非线性系统识别，以进行结构健康监测[17]。
机电阻抗（EMI）是一种非破坏性方法，通过测量压电传感器的电阻抗来检测结构的变化。这项技术在SHM中非常有效，其独特的测量能力能够检测到螺栓松动和质量损失等结构异常[18],[19],[20],[21]。Oliveira等人使用自回归（AR）模型对从PZT传感器收集的约26,000个时间响应数据进行了时域分析[22]，实现了高灵敏度的损伤检测。Min等人对EMI信号进行了分割，并使用神经网络进行分析，选择了对损伤敏感的频率范围进行定量损伤诊断[23]。Zhang等人引入了一种1D-CNN模型，利用2,000个数据样本来识别悬臂梁的螺栓松动和质量变化类型[24]。Wang等人使用Transformer模型对重塑的阻抗曲线进行训练和分类，准确率达到98.62%[25]。
机器学习与深度学习与机电技术的结合方法已被广泛讨论。例如，机电信号通过深度学习模型进行特征处理，用于电机故障诊断，包括特征提取、融合和增强[26],[27],[28]。在电力电子领域，研究人员提出了基于神经网络的谐波预测和补偿方法，以减少整流器和逆变器中谐波的不利影响[29],[30]。此外，机电信号通常通过深度学习方法进行分析，并用于机器人的传感和控制[31]。尽管基于深度学习的EMI方法很有前景，但它们严重依赖于大规模数据集，即数据集的质量和数量都是必要的[32]。然而，获取大量故障数据面临诸多挑战。例如，结构故障发生频率较低，获取目标损伤的数据样本既繁琐又成本高昂，有时甚至是不可能的。此外，在实际应用中将损伤整合到结构中可能会对人员和环境造成风险。这些挑战使得在实际应用中难以获得大规模的故障数据集，尤其是对于发电机和航天器等大型结构。换句话说，用于训练和验证的故障数据通常很有限。因此，基于少样本学习（FSL）的有效且准确的结构损伤识别成为研究的重点。具体来说，FSL是指在有限样本条件下训练模型。开发FSL方法主要分为两个步骤：第一步是扩充数据集，第二步是提升模型的学习能力和泛化能力[33],[34],[35]。例如，Wang等人通过信号反转和切片来扩充数据集，丰富网络的输入信息[36]。Chen等人使用在大量螺栓故障数据上训练的CNN网络进行迁移学习，用于玻璃幕墙的监测，在少样本场景下取得了显著优势[37]。You等人设计了基于CNN的变分自编码器（VAE）增强方法，用于阻抗信号的增强，在三类任务中的准确率提高了5.19%[38]。Du等人使用欧几里得距离作为损失函数来优化原型网络，对于不同尺寸和数量的螺栓数据集，该网络的准确率高于传统原型网络[39]。Bull等人解决了使用不完整数据进行SHM的挑战，采用迁移学习和领域适应技术来共享类似结构之间的信息以进行损伤检测[40]。
数据稀缺的问题不仅存在于健康监测领域，也为其他领域的研究带来了许多挑战。在机械故障诊断中，减少训练所需的样本数量同时保持高精度已成为一个新兴课题。最近的研究中，提出了一些数据驱动的方法，如度量学习（例如规则化原型网络[41]）、神经网络辅助学习[42]和基于模型的合成数据生成[43]，以在小样本情况下实现准确诊断。在计算机视觉和医学图像分析相关任务中，研究人员使用数据生成和模型预训练-微调方法来提高识别精度[44],[45],[46]。此外，少样本学习在机器人控制和多模态感知领域也得到了快速发展[47]。
尽管基于FSL的SHM已经取得了一些进展，但现有研究中仍存在一些不足。首先，与其他领域不同，SHM中使用的监测数据通常是一维振动信号或阻抗信号，这些信号的特征较少。此外，特征总是集中在峰值处，信号之间的相似性很高。卷积神经网络（CNN）和Transformer等模型在图像识别和自然语言处理中表现优异。然而，在SHM任务中，这些神经网络无法学习响应信号的本质特征，并在小样本条件下识别其中的细微差异。其次，现有方法往往侧重于单一类型损伤的识别，如表面缺陷检测[48],[49]或螺栓松动检测[50],[51],[52]，而忽略了多种故障组合及其检测方法的可能性。
为了克服现有研究的不足，本文提出了Convtransnet for Waveform Signals（CTWS）模型，旨在提高少样本多分类结构健康监测任务的准确性。通过在Transformer编码器中融合卷积层和动态注意力权重，该模型能够有效关注信号的局部形状和全局位置特征，从而增强了模型的特征提取能力。本文的创新之处如下：
- 1)
提出了一种具有编码器-序列结构和嵌入式卷积层的CTWS模型。CTWS模型通过在编码器中结合串行和并行卷积层，增强了特征提取能力和适应性，同时灵活处理数据维度。
- 2)
通过改变同一结构的工作状态和结构属性，该模型收集了足够的数据，为模型提供了先验知识。然后使用非常少的样本对模型进行微调，在多类分类任务中取得了优异的性能。
- 3)
通过将预训练模型应用于玻璃幕墙数据集进行测试，证明了所提出方法的适用性和准确性。此外，还使用在大温差下测量的数据集验证了该方法的温度解耦能力。
本文的其余部分安排如下：第2章介绍了用于数据采集的结构设置和提出的深度学习模型。第3章介绍了实验程序并分析了结果，包括对比实验、消融研究和不同条件下的模型性能分析。最后，第4章提供了总结和对未来工作的展望。
