PCNN在结构损伤检测中的应用：基于短时傅立叶变换的熵序列特征提取

"基于脉冲耦合神经网络的结构损伤检测方法研究" 文章深入探讨了一种利用脉冲耦合神经网络（PCNN）进行机械结构损伤检测的创新技术。在机械结构中，损伤的发生通常会导致其内部能量分布的变化，这对结构的功能和安全性有着重大影响。因此，早期发现和定位损伤至关重要。为了捕捉这种变化，研究人员采用了加速度计来监测结构的振动信号，并通过短时傅立叶变换（STFT）分析这些信号，以获取反映能量分布的时频谱图。 短时傅立叶变换是一种强大的信号处理工具，能够将时间域信号转换为频率域，揭示信号随时间变化的频率成分。在结构损伤检测中，STFT可以帮助识别由于损伤导致的振动模式的改变，进而提供关于结构状态的关键信息。 接着，文章引入了脉冲耦合神经网络作为特征提取器。PCNN是一种受到生物神经元活动启发的模型，特别适用于图像处理和模式识别任务。在本文的应用中，PCNN被用来提取时频谱图中的熵序列特征。熵是一种衡量系统不确定性的度量，当结构受损时，其熵序列通常会发生明显变化。通过PCNN，可以有效地从时频谱图中识别这些变化，从而判断是否存在损伤。 实验部分，研究者以简支梁为例，实际应用了该方法进行损伤检测。实验结果证明，利用PCNN对STFT后的时频谱图进行特征提取，能够准确地识别出结构的损伤，显示出这种方法的有效性和实用性。 此外，文章还指出，相比于其他损伤检测方法，PCNN无需预先训练，可以直接进行模式识别和特征提取，这为实际应用提供了便利。这项研究为机械结构的在线损伤检测提供了一个新的、基于神经网络的解决方案，对于确保机械设备的安全运行和维护具有重要意义。