一种基于自监督训练的在线船舶结构损伤识别方法，该方法利用在役船舶的健康数据以及两阶段聚类分析技术

《Ocean Engineering》：An online damage identification method for ship structures based on Self-Supervised training with in-Service health data and two-Stage clustering analysis

船舶结构健康监测中提出基于自监督学习和两阶段聚类分析的在线损伤识别框架，利用早期健康状态应变数据训练神经网络实现跨传感器预测一致性，通过残差场聚类检测局部异常，在有限元模型中验证了裂纹和腐蚀损伤的实时定位能力，解决了无损坏样本和仿真到现实差距问题。

　　

刘德松|夏丽娟|赵思萱|谢晨曦|肖龙辉

上海交通大学海洋工程国家重点实验室，中国上海东川路800号，200240

摘要

船舶结构健康监测（SHM）面临的核心挑战是缺乏损伤数据以及在线监测的需求。本文提出了一种基于自监督学习和两阶段聚类分析的在线损伤识别框架。利用船舶在健康状态下的应变数据，神经网络能够学习结构区域之间的内在响应相关性，从而实现传感器组之间的交叉预测。在健康状态下，不同传感器组的预测结果是一致的；而损伤会通过污染局部测量值来打破这种一致性。通过将预测结果与测量值进行比较，生成残差场。然后应用两阶段聚类算法：层次聚类将“健康”的残差场识别为参考基线；K-Means算法在该基线内定位异常值以确定损伤位置。在真实散货船的有限元模型上的验证表明，即使在传感器配置稀疏的情况下，该方法也能成功在线定位裂纹和腐蚀损伤。研究结果表明，这种方法为在没有损伤样本的情况下解决SHM问题提供了实用的工程途径。

引言

结构健康监测（SHM）通过在线收集和分析结构响应数据来评估结构完整性，从而实现早期损伤检测和剩余寿命预测，以降低维护成本并提高安全性（Güemes等人，2020年；Preethichandra等人，2023年；R?dulescu等人，2024年；Samudra等人，2023年；Zhang等人，2025年）。船舶结构在其服役期间要承受波浪、腐蚀和疲劳等复杂的环境载荷，因此SHM对于安全运行至关重要（Briguglio和Crupi，2024年；Decò和Frangopol，2015年；Madusanka等人，2023年；Mondoro等人，2016年；Okasha等人，2010年）。船舶SHM的目标是识别裂纹、腐蚀、疲劳和永久变形等损伤类型；未能及时检测到这些损伤可能导致严重的结构故障（Brewick等人，2022年；Cheng等人，2023年；Gómez等人，2020年；Scuro等人，2021年；Yang等人，2018年；Zubaydi等人，2002年）。

船舶结构损伤识别方法已经从传统的基于物理的模型发展到现代的智能算法。早期方法主要依赖于振动分析、模态参数提取和有限元模型更新，例如使用振动响应的自相关函数或模态形状来识别船板-梁结构中的损伤（Zubaydi等人，2002年）。近年来，各种现代传感技术被广泛应用于船舶SHM，包括光纤传感器、电磁感应装置、加速度计和应变计。光纤传感器（如光纤布拉格光栅）具有高精度和分布式传感能力，适用于监测应变和温度变化（Arena和Viscardi，2020年；Chen等人，2023年；Soman等人，2021年），使其非常适合用于海洋结构健康监测（Ma等人，2025年；Moll等人，2020年）。然而，光学方法主要适用于复合材料表面的损伤检测（Güemes等人，2018年；Roy和Gherlone，2023年），在检测金属结构中被涂层或深层内部缺陷隐藏的损伤方面能力有限。电磁方法（如脉冲涡流热成像）可以有效检测涂层下的腐蚀或内部缺陷（Yang等人，2018年），但其高昂的设备成本和操作复杂性限制了大规模应用（Dong和Kim，2018年；Martinez-Luengo和Shafiee，2019年）。相比之下，加速度计和应变计通过测量结构的振动响应或应力-应变成为全局损伤定位的常用工具，例如检测船舶管道系统的破裂（Ferreno-Gonzalez等人，2025年）或监测在运行变化下的船体加强板（Aravanis等人，2023年）。然而，传统的模式识别方法通常依赖于统计指标，如模态曲率或柔度变化（Cheng等人，2023年）。这些指标容易受到环境噪声、操作变化和测量不确定性的影响，导致误报率较高，并且处理非线性响应的能力有限（El Mountassir等人，2020年；H?zal和Ceylan，2021年；Komarizadehasl等人，2022年）。

为了解决这些限制，机器学习和深度学习方法越来越多地被应用于自动损伤检测和定位（Jia和Li，2023年；Karvelis等人，2021年）。这些方法已成功应用于各种损伤识别任务，包括使用CNN进行基于图像的腐蚀检测（Hake等人，2022年；Yao等人，2019年）、使用LSTM网络进行时间序列振动分析（Bao等人，2021年），以及使用带有注意力机制的混合模型进行多类损伤分类（Jung等人，2025年；Ma等人，2023年；Singh等人，2024年）。最近的进展还证明了机器学习在海洋和海上应用中的有效性（Chen等人，2024年；Shah Mansouri等人，2024年；Zhang等人，2023年），例如检测海上平台的结构异常（Leng等人，2023年；Xin等人，2024年）和监测关键基础设施组件（Kim等人，2025年；Liu等人，2023年；Tsenis和Kappatos，2025年）。然而，深度学习在船舶SHM中的应用仍然面临两个核心挑战。首先，大多数现有研究依赖于由加速度计或应变计收集的长期时间序列振动数据作为模型输入（Angeletti等人，2023年；Dervilis等人，2014年；Hajializadeh，2022年）。这导致训练数据量庞大，并引入了识别延迟，因为只有在数据序列积累到足够长度后才能做出判断（Deng等人，2023年；Pei等人，2025年）。其次，现有的深度学习模型通常依赖于有限元模拟来生成包含各种损伤类型的响应数据以进行监督训练（Bardiani等人，2025年；Duran等人，2024年）。然而，数值模型与实际结构之间的差异源于制造过程、材料异质性、边界条件和环境不确定性。因此，基于模拟数据训练的模型难以可靠地应用于实际船舶，这个问题被称为“仿真到现实差距”（Kamali等人，2025年；Samudra等人，2023年）。

为了解决这些挑战并满足高效在线监测的实际工程需求，本文提出了一种基于自监督学习和两阶段聚类分析的在线船舶结构损伤识别框架。该方法利用了结构响应的内在自一致性：在健康条件下，不同传感器组产生的预测结果是一致的；损伤会通过污染局部传感器读数来破坏这种一致性。通过比较多个传感器组的交叉预测结果，可以在不需要损伤样本的情况下识别出这种不一致性。该框架解决了现有数据驱动方法的两个瓶颈。首先，关于数据来源：传统方法依赖于来自有限元模拟的大规模损伤数据集，而我们的方法仅使用船舶在早期服役期间收集的健康数据，确保了模型与物理结构之间的一致性。其次，关于输入模式：现有方法依赖于计算成本高且响应延迟长的时间序列数据，而该框架使用瞬时应变快照作为输入，并通过一组前馈神经网络学习传感器组之间的内在响应相关性。损伤识别采用两阶段聚类分析：层次聚类将交叉预测残差场分组，并将未受损伤影响的“健康”预测结果作为基线；然后K-Means算法在该基线内检测异常值以定位损伤。该方法不需要预先存在的损伤数据库，并可以提供早期警告以指导后续检查。

章节摘录

有限元模型

本研究关注一艘真实散货船的货舱区域。选择其中部的平行截面进行分析，因为其结构形式和加载条件具有代表性。构建了一个三维有限元模型来捕捉该区域的变形特性，如图1所示。根据中国船级社（CCS）的“散货船结构强度直接计算和分析指南”，并考虑到

基于数据分布相似性的两阶段聚类用于损伤识别

损伤识别阶段处理由四个FNN模型生成的预测残差场，其中每个R_i代表模型i的预测值与实际（真实或测量）应力向量之间的绝对差异。该阶段采用两阶段聚类分析框架，从宏观层面的组间相似性评估逐步发展到微观层面的异常值检测，以实现自动损伤定位。

使用单个FNN进行全场应力重建的可行性验证

为了验证一组稀疏传感器（63个输入）是否包含足够的信息来预测船舶上任何位置的应变分布，我们首先评估了FNN在全场应力重建方面的性能（架构a）。该网络以单个传感器组的应力向量$x\in R^{63}$作为输入，并输出全场应力分布$y\in R^{95003}$。

为了进一步评估模型的预测准确性，图11展示了详细比较

结论

本研究提出并验证了一种基于自监督学习和两阶段聚类分析的船舶结构在线损伤识别框架。该框架针对结构健康监测中的两个持续挑战：损伤数据的稀缺性和基于仿真的方法中固有的仿真到现实差距。在散货船的有限元模型上的系统验证表明，该框架可以快速识别和定位模拟的结构损伤

CRediT作者贡献声明

刘德松：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。夏丽娟：撰写 – 审稿与编辑，监督，资源管理。赵思萱：撰写 – 审稿与编辑。谢晨曦：撰写 – 审稿与编辑。肖龙辉：撰写 – 审稿与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。