基于深度学习的动态负载重建与定位：一种新型的多任务学习框架，具备对物理距离敏感的图注意力机制

《Mechanical Systems and Signal Processing》：Deep learning-based dynamic load reconstruction and localization: A novel multi-task learning framework with physical distance-aware graph attention

动态负荷识别中的多任务学习框架融合图注意力网络与物理距离感知机制，解决传统方法依赖模态参数和数据驱动方法解耦的难题，实验验证其在负荷重建与定位任务中的有效性及传感器布局鲁棒性。

　　
动态负载识别中的多任务学习框架创新研究

动态负载识别作为结构健康监测（SHM）的核心技术，在工程实践中具有重要价值。传统方法主要分为频域分析和时域分析两大方向：频域方法通过傅里叶变换建立频响函数与外力的数学关系，时域方法则直接利用时间序列数据构建动态模型。然而，这两种方法均存在明显局限：其一，依赖精确的模态参数（如频响矩阵），但实际工程中难以准确获取这些参数；其二，传统方法将负载重建与空间定位割裂处理，导致信息碎片化，难以解决未知位置下的动态负载问题。

近年来，数据驱动方法为解决这一难题提供了新思路。深度学习通过端到端训练，无需显式建模即可建立响应与负载的非线性映射关系。典型案例如Cooper团队构建的MLP模型，Wen团队利用FFT-PCA特征提取技术，以及Zhou团队提出的LSTM时序建模方法。这些方法在特定场景下表现出色，但存在两个共性缺陷：首先，缺乏空间关联建模，训练数据需要覆盖多种传感器布局，导致模型泛化能力受限；其次，重建与定位任务被机械割裂，未能充分利用两者的耦合性。

针对上述问题，该研究创新性地提出基于图注意力网络（GAT）的多任务学习框架。该方法通过三个关键创新点突破传统技术瓶颈：

1. **图结构建模与共享特征编码**
研究团队构建了传感器-结构-负载的物理拓扑图，将空间分布的传感器响应数据映射为图结构中的节点特征。通过多层GAT结构实现特征提取，特别设计了共享特征编码器：在输入阶段，各传感器原始响应经过统一的空间特征编码器处理，提取包含空间分布信息的抽象表征；在任务分配阶段，每个子网络（重建与定位）使用独立注意力权重进行特征解耦，既保持任务特异性又实现知识共享。这种架构使得相邻传感器能自动捕捉结构振动传导的空间关联，解决了传统方法因传感器布局差异导致的泛化性问题。

2. **物理距离感知注意力机制**
区别于常规GAT仅依赖节点特征相似性计算注意力权重，该框架创新性地引入物理距离约束。具体而言，在注意力计算过程中叠加了传感器与理论负载位置的欧氏距离衰减因子，使靠近实际负载的传感器特征获得更高权重。这种设计不仅符合机械振动能量传递的物理规律（近场传感器对目标响应更敏感），更通过动态约束优化了注意力权重分配。实验表明，当传感器与负载间距超过0.5倍结构直径时，模型定位误差可降低37%，验证了物理约束的有效性。

3. **任务耦合的联合优化策略**
传统方法将负载重建（时间维度）与定位（空间维度）作为独立任务处理，导致特征信息割裂。本研究通过联合优化框架，构建了具有强任务关联的损失函数：总损失由时间域重建误差、空间定位误差及两者耦合度共同组成。耦合度项通过分析不同时间步响应的空间相关性来量化，促使模型在重建时同步优化定位信息。数值实验显示，这种联合优化使定位精度比传统两阶段方法提升42%，且在训练数据不足20%时仍保持稳定性能。

该方法在工程实践中的优势体现在三个方面：首先，通过物理距离约束显著缩小了模型解空间，定位误差标准差从传统方法的0.38米降至0.15米；其次，任务耦合机制使模型能自动适应传感器布局变化，在三种不同网格配置（5×5、8×8、12×12）下的平均定位误差波动范围小于5%；最后，采用迁移学习策略后，训练集规模可缩减至传统方法的1/3，同时保持98%以上的重建精度。

实验验证部分展示了该方法在不同场景下的卓越表现：在2D薄板受正弦波激励的数值案例中，模型成功将定位误差控制在3厘米以内，相比传统深度学习模型降低58%；在1D梁随机冲击识别中，时间序列重建误差小于2%，且定位准确率达到91%。实际工程测试采用复合板和铝合金梁的冲击实验，在存在15%测量噪声和传感器布局不完整（缺失2个传感器）的极端条件下，仍能保持85%以上的平均识别准确率。

该研究的理论突破体现在将图神经网络与物理先验深度融合。通过构建传感器-响应-负载的物理图结构，既保留了传统图神经网络的拓扑感知能力，又通过距离约束机制实现了物理规律的数字化表达。这种结合使模型既能捕捉复杂非线性关系，又能避免纯数据驱动方法可能出现的物理不可实现解。

在应用层面，该方法展现出显著的工程适用性：其一，传感器布局自适应能力使其可无缝迁移至新工程场景；其二，联合优化机制减少了多任务间的干扰，定位误差在负载变化时波动范围不超过±5%；其三，物理约束的引入有效抑制了过拟合现象，在仅200组训练样本下仍能保持良好的泛化性能。

未来研究可沿三个方向深化：首先，探索动态负载类型（如瞬态冲击、周期性激励）的自动分类机制；其次，将该方法扩展至三维结构健康监测场景；最后，开发轻量化部署方案以适应工业物联网的实时需求。该框架不仅为动态负载识别提供了新范式，更为复杂工程系统的多物理场耦合建模开辟了技术路径。