Das strukturelle Gesundheitsmonitoring (SHM) verlässt sich zunehmend auf datengestützte Ansätze, um strukturelle Veränderungen unter Umwelt- und Betriebsvariabilität zu erkennen. Allerdings bleibt die eingeschränkte Verfügbarkeit und das Ungleichgewicht von Basisdaten eine kritische Herausforderung. Diese Studie schlägt ein neuartiges Framework für vibrationsbasiertes SHM vor, das Convolutional Neural Networks und Variational Autoencoders kombiniert, um die strukturelle Reaktion im Frequenzbereich durch Kreuzspektralmatrixen zu modellieren. Die Methodik umfasst eine maßgeschneiderte Datenrepräsentation basierend auf Cholesky-Faktorisierung, eine CNN-VAE-Architektur mit strukturellen Einschränkungen zur Sicherstellung der Datenkonsistenz und eine verbesserte Verlustfunktion, die entwickelt wurde, um die Empfindlichkeit für modale Merkmale zu erhöhen. Das trainierte Modell wird sowohl als generatives Werkzeug zur Erzeugung realistischer synthetischer Daten als auch als Merkmals-Extraktor durch latente Variablenverteilungen verwendet. Die Validierung an einer experimentellen Fachwerkkonstruktion, die thermischer Variabilität ausgesetzt ist, zeigt, dass das Modell die statistische Verteilung der natürlichen Frequenzen und spektralen Merkmale genau reproduziert, während es plausible synthetische Antworten generiert. Der vorgeschlagene Ansatz ermöglicht eine Baseline-Verbesserung durch Datenbalancierung und unterstützt die effektive Schadensdetektion sowohl unter Verwendung von modalem Features als auch latenten Raumindikatoren. Diese Ergebnisse zeigen, dass das Framework die Robustheit vibrationsbasierter SHM-Systeme verbessern und mit bestehenden Überwachungstechniken im Frequenzbereich integriert werden kann, was eine praktische datengestützte Lösung für reale Anwendungen bietet.
Battista et al. (2026) haben diese Frage untersucht.