结构健康监测系统在基础设施的运营和维护中起着重要作用，其中最关键的组成部分是结构损伤识别[1]。结构损伤识别是指识别损伤的存在、位置和严重程度的过程，近年来在这方面取得了显著进展[2]、[3]。
随着大数据和传感器技术的进步，基于深度神经网络的结构损伤识别方法受到了广泛关注[4]。在用于损伤识别的各种神经网络中，卷积神经网络（CNN）特别受欢迎[5]、[6]、[7]、[8]。例如，Duran等人提出了一种用于桥梁损伤分类的2D CNN[9]。他们将应变时序数据转换为灰度图像，并结合了特征提取和分类，从而实现了精确的结构损伤识别和分类。Wang等人在CNN中插入了通道模式注意力模块，使它们能够利用特征图在通道和模态维度上的全局信息[10]。随后提出了通道模式注意力网络（CMANet），该网络提高了损伤特征的质量，进而提高了损伤识别准确性。
如上所述，实现基于深度学习的结构损伤识别需要大量的振动响应数据[11]。然而，在实际工程应用中，由于环境因素和数据采集操作中的各种不确定因素的影响，测量的振动响应数据包含噪声[12]。直接将含噪声的振动响应数据应用于结构损伤识别将不可避免地影响损伤识别的准确性。研究人员从不同角度探讨了在不确定性（包括噪声）下的损伤识别问题。例如，Wang等人提出了一种基于配置方法的非概率结构损伤识别方法，以量化不确定性对损伤识别结果的影响[13]。Shi等人提出了一种用于复合层压结构损伤识别的自适应概率正则化方法，提高了在不确定条件下的鲁棒性和可解释性[14]。此外，在其他典型的结构动力学逆问题中，噪声和不确定性会显著加剧问题的病态性质。研究人员通过混合物理数据驱动网络、降维和替代模型以及不确定性传播等策略提高了鲁棒性和工程可用性[15]、[16]。上述研究共同表明，在复杂工作条件下抑制噪声是促进损伤识别工程应用的关键。因此，如何设计一种抗噪声且鲁棒的网络架构以进行损伤识别是一个关键问题。
受到深度学习图像去噪研究的启发[17]、[18]，研究人员越来越多地使用深度神经网络来去噪振动响应数据，从而取得了一系列重大进展。例如，Fan等人提出了一种用于振动信号去噪的残差卷积神经网络，在该网络中，dropout、跳跃连接和亚像素混合方法提高了去噪性能[12]。Xiong等人开发了一种用于振动信号去噪的深度卷积图像去噪网络。为了提高网络的去噪准确性，他们在特征提取中采用了维度扩展、在训练标签中注入噪声以及在编码器-解码器中嵌入优化器等创新技术[19]。
然而，从实际应用的角度来看，上述研究仍存在一些不足。首先，模态数据特别有价值，因为它直接与结构本身的属性相关[20]。实际上，测量噪声不可避免地会影响模态数据[21]、[22]。然而，上述振动响应数据去噪研究仅关注加速度数据，而对模态数据的研究有限[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]。其次，上述研究仅实现了振动响应数据的去噪，将这些数据应用于损伤识别的效果尚不清楚，这对实际工程应用构成了限制。
除了上述关于数据去噪的研究外，迁移学习中的领域适应是进一步提高数据去噪基础上损伤识别准确性的有效方法之一。迁移学习涉及将模型在源领域任务中学到的知识转移到目标领域任务中，以提高模型在目标领域的性能[23]。领域适应是实现迁移学习的重要方法，使其非常适合解决生成标记数据与预测数据之间的差异[24]。因此，领域适应已广泛应用于结构损伤识别[25]、[26]。在结构损伤识别中，领域可以理解为具有特定概率分布的损伤数据集。具体来说，生成的标记数据可以视为源领域，预测数据可以视为目标领域。
最大均值差异（MMD）是领域适应中最常用的度量标准[27]、[28]、[29]。例如，Lin等人设计了一种特征提取器，用于提取领域不变和损伤敏感的特征。该方法通过最小化MMD来减少源领域和目标领域之间的数据分布差异，从而解决了跨领域结构损伤识别的挑战[30]。Zhang等人提出了一种基于类别加权和子领域适应的结构损伤识别方法。他们在训练损失函数中考虑了分类交叉熵和由类别加权的领域间局部MMD，实现了更强的部分领域适应能力[31]。然而，MMD及其变体主要关注最小化源领域和目标领域数据之间的均值差异，忽略了二阶统计量（即协方差差异）的最小化。因此，两个领域之间的数据分布差异需要进一步减少。
为了解决当前去噪和领域适应研究中的不足，本文提出了以下改进。首先，对模态数据进行去噪以反映结构的固有特性。其次，将去噪后的模态数据应用于损伤识别，以展示数据去噪带来的损伤识别准确性提升。最后，在损失函数中添加了MMD损失和相关性对齐（CORAL）损失，分别对齐两个领域数据的均值和协方差，从而提高领域适应性能。
基于上述讨论，本文提出了一种具有领域适应性的门控通道注意力去噪网络（GCADNet）用于结构损伤识别。具体创新如下。首先，在Wang等人提出的CMANet[10]的前端连接了一个用于模态数据去噪的U-Net，并在U-Net中插入了门控机制和通道注意力，以提高去噪性能。这样，去噪后的模态数据可以直接应用于损伤识别，从而提高损伤识别的准确性。其次，同时将MMD损失和CORAL损失纳入损失函数中，分别对齐两个领域数据的均值和协方差。与仅使用MMD来衡量分布差异的先前损失函数相比，本文提出的损失函数能够更好地对齐两个领域的数据分布，提高领域适应性能。上述创新使所提出的网络能够成功减少噪声，并有效提高损伤识别的准确性。
以下是本文的贡献总结。
(1)提出了一种用于结构损伤识别的具有领域适应性的门控通道注意力去噪网络。使用门控机制和通道注意力来去噪模态数据，并利用领域适应来减少生成标记数据与预测数据之间的分布差异。
(2)超参数研究检验了超参数的敏感性。消融研究展示了不同组件的有效性。噪声水平研究和噪声类型研究分别验证了所提出网络在不同噪声水平和类型下的优越性。
(3)对三层空间桁架的损伤识别进行的数值研究表明，所提出的网络优于CMANet，表明了其优越性和鲁棒性。
(4)对悬臂梁结构的损伤识别进行的实验研究表明，所提出的网络仍能有效去噪数据，提高了实际结构上的损伤识别准确性。
本文的其余部分安排如下。第2节介绍了结构损伤模型和分布差异度量理论的基础知识，并最终提出了GCADNet。第3节进行了一系列数值研究。第4节介绍了损伤识别的实验研究。第5节提供了本文的结论。
