基于貝葉斯優化BiLSTM模型的輸電塔損傷識別

魏佳恒，郭惠勇

(重慶大學 土木工程學院，重慶 400045)

特高壓輸電塔穿越高海拔地區，所處環境復雜、惡劣，由于其結構高聳、剛度弱的特點，在長期服役期間易產生結構損傷[1]。因此對輸電塔結構進行運行狀態監測和損傷識別至關重要。結構健康監測系統在運營期間會積累海量監測數據，基于大數據及深度學習思想的結構健康監測研究是當前該領域的研究熱點[2-3]。

深度學習具備精度高、魯棒性強和抗噪能力強等優點，利用大量數據對多層網絡模型進行訓練以得到精確、足夠的特征信息,而不受傳統神經網絡的限制[4]。目前深度學習已廣泛運用于各領域的研究，其中在結構損傷識別領域主要是基于結構振動響應的方法，利用損傷結構的振動響應信號提取損傷特征，并以此建立信號與結構損傷狀態的映射關系[5]。由于循環神經網絡(recurren neural network，RNN)和長短時記憶神經網絡(long and short-term memory，LSTM)對于處理時間序列數據具有明顯優勢，目前已有不少運用于機械故障診斷領域的研究。Talebi等[6]運用角速度作為的輸入向量，建立了某風能轉換結構的故障監測系統，研究發現該方法在短期監測中具有較好的檢測能力；趙志宏等[7]等提出一種基于雙向長短時記憶網絡模型BiLSTM的故障診斷的方法，將機器原始振動信號作為模型輸入向量,訓練提取不同故障類型的故障特征，結果驗證了該方法的有效性；杜小磊等[8]將深層小波卷積自編碼分析與長短時記憶網絡相結合運用于軸承故障診斷之中，結果表明該方法提取特征和識別故障能力優于人工神經網絡、支持向量機等傳統方法；Cabrera等[9]將貝葉斯方法與LSTM模型相結合，提出一種壓縮機的故障檢測方法，結果故障識別的準確率達到93%以上。

超參數選取也是目前深度學習面臨的較為棘手的問題，模型超參數組合與網絡模型性能密切相關。貝葉斯優化是一種十分有效的全局優化算法，其目標是找到優化問題的全局最優解[10]。目前，已有貝葉斯優化運用于各類模型參數優選的研究，如Zhong等[11]提出通過應用貝葉斯優化搜索支持向量機模型的C和γ超參數，用于工業測量數據分類。Wang等[12]提出了貝葉斯優化結合粒子濾波的軸承故障特征提取方法等。

損傷結構的加速度響應數據是時間序列數據，可以反映結構的狀態信息，蘊含結構的損傷特征，通過BiLSTM模型可以有效提取其中特征，解決損傷識別的問題。在輸電塔的健康監測中，可以較為容易地測得結構的加速度響應序列，而雙向長短時記憶網絡可以有效地處理加速度響應數據，故本文采用了BiLSTM模型進行輸電塔的損傷識別研究，并采用貝葉斯優化選取模型的超參數組合，通過輸電塔仿真模擬和試驗研究驗證了該方法的有效性，并且相對其他模型具有更好的損傷識別效果。

1 BiLSTM模型

LSTM由RNN神經網絡演變而來，在傳統RNN神經網絡輸入層、隱藏層和輸出層的結構基礎上，改進了隱藏層的結構。通過引入門機制來控制信息傳遞的路徑，并通過門對經過網絡的信息進行有選擇的記憶或刪除[13]。

it=σ(Wixt+Uiht-1+bi)

(1)

ft=σ(Wfxt+Uiht-1+bf)

(2)

ot=σ(Woxt+Uoht-1+bo)

(3)

(4)

(5)

ht=ot?tanh(Ct)

(6)

式中:Wi、Wf和Wo表示從輸入門、遺忘門和輸出門到下一個輸入門的權重矩陣；Ui、Uf和Uo表示隱含層的權重矩陣；bi、bf和bo分別表示各個門結構的偏置矩陣。σ為Sigmoid激活函數。

圖1 LSTM結構示意圖Fig.1 The structure of LSTM

(7)

(8)

(9)

圖2 BiLSTM結構示意圖Fig.2 The structure of BiLSTM

2 貝葉斯優化的BiLSTM模型

2.1 貝葉斯優化

應用BiLSTM模型進行損傷識別時，需要確定模型最優超參數組合。構造一種優秀的算法需要大量參數調節試驗，耗時耗力也不一定取得好效果。本文引入一種全局優化算法——貝葉斯優化(Bayesian optimization，BO)選取模型超參數組合。貝葉斯優化基于貝葉斯定理，運用概率代理模型擬合真實目標函數，并根據擬合的結果選擇接下來最有可能的點進行評估，利用歷史信息合理減少評估次數，提高搜索效率。

貝葉斯優化的框架主要包含兩個核心部分：概率代理模型和采集函數。概率代理模型包含先驗概率模型和觀測模型；采集函數是根據后驗概率分布構造的函數[16]，選用合適的概率代理模型和采集函數才能獲得更好的優化效果。

2.1.1 概率代理模型

概率代理模型通常分為參數模型與非參數模型，非參數模型更為靈活，且不易發生“過擬合”，其中以高斯過程(Gaussian process,GP)應用最為廣泛[17]。

高斯過程是多元高斯概率分布的泛化[18],由一個均值函數m和一個協方差函數k構成。在高斯過程中，有限個隨機變量都滿足一個高斯聯合分布。首先假設一個均值為0的先驗分布

p(f|X,θ)=N(0,Σ)

(10)

式中：X為訓練集;f為未知函數f函數值的集合;Σ為k(x,x′)構成的協方差矩陣;θ為超參數。

假設存在的噪聲ε滿足獨立同分布的高斯分布:p(ε)=N(0,σ2),則似然分布為

p(y|f)=N(f,σ2I)

(11)

式中,y=f(x)+ε，y表示觀測值y的集合。

可得邊際似然分布為

p(y|X,θ)=N(0,Σ+σ2I)

(12)

因此，存在聯合分布為

(13)

p(f*|X,y,X*)=N(〈f*〉,cov(f*))

(14)

(15)

(16)

式中：〈f*〉表示預測均值；cov(f*)是預測協方差。

2.1.2 采集函數

在貝葉斯優化中,采集函數是用來選擇下一個最有可能的模型最佳性能評估點的方法。該函數通過已經觀測到的數據集D1:t，得到后驗分布構造，并通過對其最大化來指導下一個評估點xt+1。期望提升(expected improvement,EI)的參數少且具有整合提升的概率，平衡深度和寬度的關系的優點，故本文采用EI作為采集函數，其具體公式如下

αt(x,D1:t)=

(17)

式中:v*為當前最優函數值;φ為標準正態分布概率密度函數。

2.2 貝葉斯優化的BiLSTM模型

利用貝葉斯優化對BiLSTM模型進行超參數選取時，可以考慮成以下公式進行求解

x*=arg minf(x),x∈X

(18)

式中：f(x)為目標函數;x表示一組超參數組合;X表示超參數組合空間;x*則表示X中的一組x，使目標函數f(x)取得最優解。本文以BiLSTM模型識別損傷的誤差率valError作為貝葉斯優化的評價函數f(x),公式如下所示

(19)

式中：N為所有待檢測樣本組數；R為N組樣本數據中所預測損傷類型與真實損傷類型相一致的樣本組數。

本文采用高斯過程代理超參數組合x到BiLSTM模型的函數關系，根據已觀測的數據集得到后驗分布構造，然后通過EI函數選取下一個評估點，迭代修正先驗信息，逐步提高代理模型準確性，尋找使目標函數取得最優解的超參數組合。

BiLSTM模型超參數眾多，本文重點選取其中兩個超參數(初始學習率、小批量尺寸)進行優化選取。根據BiLSTM反向傳播傳播算法可知，其權重更新公式為

(20)

式中：α為學習率；n為小批量尺寸。由式(20)可知，除了梯度本身，學習率和小批量尺寸直接決定模型的權重更新，從優化本身來看都是影響性能收斂最重要的參數。小批量尺寸決定模型每次參數更新損失函數的數據量，而學習率決定了權重迭代的步長。對于不同的數據與模型，其最適的學習率和小批量尺寸也不同，沒有合適的選取法則，故本文采用貝葉斯優化的方法選取。

2.3 基于貝葉斯優化的BiLSTM模型損傷識別方法

2.3.1 模型執行步驟

運用BO-BiLSTM模型進行損傷識別的具體步驟如圖3所示。

圖3 基于貝葉斯優化BiLSTM模型的結構損傷檢測流程Fig.3 Structural damage detection process based on BO- BiLSTM model

步驟1首先獲取不同損傷工況下結構每一層的加速度數據，可以通過模型試驗或者數值模擬獲得，使用z-score函數對數據標準化處理，建立樣本數據集，劃分訓練集、測試集和驗證集。

步驟2建立BiLSTM模型，確定網絡模型的超參數，并設置需要優化的超參數(初始學習率、小批量尺寸)區間。

步驟3進行貝葉斯優化，以BiLSTM網絡模型作為優化的目標函數，以valError值作為評價函數，使其到達最小值。

步驟4在當前超參數組合下，以訓練集和驗證集訓練BiLSTM模型，計算當前超參數下模型評價函數的值，完成后返回貝葉斯優化，根據概率模型采集函數選取下一組超參數進行新一輪訓練，直至到達迭代次數。

步驟5輸出貝葉斯優化后模型性能最優一組超參數及其BO-BiLSTM網絡模型。

步驟6此時BO-BiLSTM模型已經具備損傷檢測能力，將測試集數據輸入模型，輸出損傷狀態，同時輸出網絡Softmax-score，驗證模型性能。

2.3.2 損傷評價指標

BO-BiLSTM模型進行機械故障診斷或結構損傷識別，從本質上來說是一個多分類的問題。對于每一個待檢測的損傷數據樣本，通過網絡模型后可以得到一個N維數組作為輸出結果。數組中的每一個維度對應一個結構損傷類別，通過前向傳播算法得到輸出層的輸出緯度值代表屬于這個結構損傷類別的可能性大小。Softmax回歸可以將神經網絡的前向傳播輸出的數值分布轉化為概率分布，使每個樣本分類到不同損傷類別的概率和為1。

(21)

如式(21)所示，BO-BiLSTM模型原始輸出層的輸出值被作為置信度通過softmax層來生成新的輸出，該輸出滿足概率分布的所有要求。因此，使用softmax層輸出的各類損傷工況概率值Softmax-score作為本文方法中驗證網絡損傷識別效果的評判指標。

3 輸電塔有限元模型損傷識別仿真

3.1 輸電塔有限元模型

為驗證本文提出的BO-BiLSTM模型的有效性，通過ABAQUS軟件對一個小型的干字型輸電鐵塔進行有限元模擬，以高斯白噪聲作為底部激勵獲取結構在不同損傷工況下的加速度響應數據，并以此訓練網絡模型，計算其損傷識別的準確率。

該模型采用梁單元建模，建立的輸電塔模型及其尺寸詳細信息如圖4和圖5所示，輸電塔的主材、橫隔件以及橫擔采用鋼材，其斜材和交叉斜撐采用鋁材，具體材料與截面信息如表1所示。將輸電塔按分為8層子結構，損傷桿件的剛度折減系數設置為0.95，采用損傷不同桿件數量的方法模擬不同程度損傷工況，損傷工況如表2所示。本文基于Matlab2019b建立BO-BiLSTM模型，采用BiLSTM模型,BO-LSTM模型作為對比方法，驗證其優越性。

圖4 輸電塔有限元模型Fig.4 The finite element model of transmission tower

圖5 輸電塔模型尺寸平面圖Fig.5 Dimension plane of transmission tower model

表1 構件材料信息表Tab.1 The information of component material

表2 損傷工況信息表Tab.2 The information of damage conditions

3.2 數據集構建

本文研究其橫擔構造之下的5層子結構損傷識別情況。每種工況取如圖5所示6個測點的加速度響應數據作為構造特征的原始數據，在不同白噪聲激勵下進行10次模擬，每次白噪聲激勵時長為25 s，取樣頻率為1 000 Hz，單一工況數據集長度為250 000×6。共得到5種損傷位置(1-5層)，2種不同損傷程度(損傷2桿和損傷4桿)的11種工況的數據，將每種工況數據劃分為6×500的矩陣樣本，即每個樣本采樣時間為0.5 s，每種工況500個樣本。采用z-score方法對數據進行標準化，11個工況共5 500個樣本。取整個數據集的前60%并打亂順序作為網絡的訓練集；取后20%作為貝葉斯優化的驗證集，驗證貝葉斯優化效果；最后取數據集剩余20%作為模型的測試集，測試模型損傷識別效果，且防止模型對部分數據過擬合，測試模型的泛化能力。

3.3 BiLSTM模型架構

BiLSTM損傷識別模型架構如圖6所示，網絡模型共分為5層，包含1個輸入層，1個BiLSTM隱含層，1個全連接層，1個softmax層以及1個分類輸出層。輸入數據首先進入BiLSTM神經單元中進行計算，將其輸出值作為全連接層的輸入，計算后輸出值作為softmax層輸入值，輸出樣本數據分類至每種工況的概率分布，最后由分類輸出層輸出樣本對應的損傷工況。

圖6 BiLSTM損傷識別模型架構圖Fig.6 The structure of BiLSTM damage identification model

根據輸電塔有限元模型結構實際情況以及所采集的加速度響應數據，對三個重要超參數(初始學習率、小批量尺寸、L2正則化系數)設置優化區間，其他超參數依據調參經驗進行設置，具體參數設置如表3所示。

表3 BiLSTM參數設置Tab.3 BiLSTM parameter settings

對BiLSTM模型進行貝葉斯優化，迭代次數設置為30次，達到計算次數后停止優化，輸出最優超參數組合。尋優過程如圖7所示，優化至第30次迭代時模型性能達到最優，超參數組合為InitalLearnRate=0.014 511,MiniBatchsize=255，即模型在經過貝葉斯優化選取不同超參數組合后，BiLSTM模型整體識別準確率由63.9%提升至92.9%。使用測試集數據對BO-BiLSTM模型進行驗證，結果發現該模型對測試集樣本損傷識別準確率為94.20%，相對驗證集提高1.34%，表明BO-BiLSTM模型具有很好的數據泛化能力，具備損傷識別能力。

圖7 貝葉斯優化尋優過程Fig.7 Bayesian optimization process

3.4 損傷識別結果分析

使用測試集1 100個樣本對上節最優BO-LSTM模型進行損傷識別測試，分別從損傷位置以及損傷程度兩方面對模型損傷識別能力進行進一步分析。

3.4.1 損傷位置分析

輸電塔有限元試驗設置的損傷情況為1～5層每層分別損傷4根桿件和損傷兩根桿件，故每層有100×2個測試樣本?，F將測試集分別經過BiLSTM、BO-LSTM和BO-BiLSTM網絡模型識別，各層的識別結果及定位準確率，如表4所示。

表4 數值仿真損傷位置識別準確率Tab.4 Damage location identification accuracy rate of numerical simulation

根據表4結果顯示，BO-BiLSTM網絡模型對于輸電塔有限元模型層間損傷位置定位的整體準確率在94.36%，整體識別效果相對其他兩個模型更加穩定:BiLSTM模型對高層損傷識別準確，而對底層損傷識別效果較差；BO-LSTM總體識別效果不錯，但是對第四層損傷識別效果不太理想。為進一步分析模型性能，故提取出不同模型每層損傷工況樣本Softmax-score均值，其結果如圖8所示。

圖8 數值仿真損傷位置識別結果Fig.8 Damage location identification results of numerical simulation

Softmax-score反映模型判斷待檢測樣本到各種損傷位置的概率分布。根據圖分析可知，各層損傷的Softmax-score值隨損傷層數的增加而上升，表明各模型對高層損傷的損傷特征提取更為準確，對高層損傷的定位更為精準。對比不同模型Softmax-score，BO-BiLSTM模型基本處于各模型最高值，而BO-LSTM模型對第4層損傷的識別出現誤差，易與第3層損傷產生混淆。綜合以上對比結果可知，經過訓練后的BO-BiLSTM模型可以準確定位出輸電塔模型層間損傷的位置，定位效果相比另兩個模型更為穩定。

3.4.2 損傷模式分析

主要考慮了輸電塔每層損傷的兩種損傷模式，即損傷2根桿件和4根桿件。故五層塔架結構考慮了10種損傷模式，具體如表5所示。該表包含10種損傷模式1～10，而模式0代表無損傷模式。表5還包含各長短時記憶網絡模型對不同損傷工況的識別結果與準確率。

由上述結果可以看出，BO-BiLSTM模型可以在定位輸電塔層間損傷的基礎上，區分相同損傷位置下不同模式的損傷。單層損傷4根桿件模式的識別準確率基本達到100%；損傷2桿模式的準確率有所下降，但也維持在84%以上。同時，隨著損傷所在層數的增加，模型對損傷模式識別準確率也隨之上升。對比三個模型結果可知，各模型對強損傷模式均保有較高的識別準確率；對于弱損傷模式，BO-BiLSTM模型識別效果更好，未進行貝葉斯優化的BiLSTM模型對低層弱損傷模式失去判斷能力，提取特征能力較差。為進一步分析各模型性能，將不同程度模式下Softmax-score提取出來如圖9所示，其中模式0表示結構未損傷狀態。

表5 數值仿真損傷模式識別準確率Tab.5 Damage pattern identification accuracy rate of numerical simulation

圖9 數值仿真損傷模式結果Fig.9 Damage pattern identification results of numerical simulation

整體分析，三種模型對弱損傷模式識別效果相對較差，如模式6(第1層損傷2桿)情況下，模型對該模式損傷判定較為模糊，分類至模式6的概率值僅略微高于其他模式，表明模型對該模式下損傷的特征提取效果不夠好，容易出現誤判現象；而對強損傷模式的Softmax-score均接近于1，基本都可以準確判別損傷情況。結合識別準確率分析，BO-BiLSTM模型對輸電塔模型層間損傷的損傷特征提取更為準確，特別是對小損傷模式識別效果優于另兩個模型，經過訓練后對輸電塔損傷具有良好的診斷能力。

4 輸電塔損傷識別試驗研究

4.1 試驗介紹

為驗證本文所提出模型對實際結構的損傷識別效果，本節嘗試將有限元模擬與試驗相結合，即先通過有限元模型獲取結構在各種損傷工況下的加速度響應數據訓練BO-BiLSTM模型，再通過試驗獲取的損傷數據組成測試集，以此測試BO-BiLSTM對實際輸電塔結構損傷提取的魯棒性。本文將以第3章的輸電塔有限元模型為例，設計制作輸電塔結構試驗對本文所提方法進行研究。

輸電塔試驗模型尺寸與材料均與有限元模型一致，輸電塔共分為8層，塔桿總高度為2.6 m；第1～5層高度均為400 mm；第6～8層每層高度均為200 mm，塔身四肢主材為空心鋼管，直徑為10 mm，所有橫隔件為實心圓鋼，直徑為6 mm；塔身四面斜材以及每層橫截面方向上交叉支撐由正方形截面實心鋁桿組成。如圖10所示，塔身主材每層節點上焊接有空的薄鋼片，通過螺栓將斜材、交叉支撐相連接。橫擔件通過焊接的方法與主材相連接；輸電塔的每個柱腳焊接在一個10 mm厚的鋼板上，每個鋼板通過4顆螺栓與振動臺相連接，以確保固定方式為固接。

(a) 試驗模型

本次試驗利用小型振動臺對結構進行加載，在y方向上施加10段隨機生成帶寬為20～50 Hz的25 s高斯白噪聲作為結構的激勵。通過東華動態信號測試分析系統以及加速度傳感器采集結構第1～5層和第7層的加速度響應數據。加速度傳感器的布置位置與有限元模型中所選取的節點保持一致，易于模型的識別匹配。

通過拆除單根或多根塔身斜材來模擬結構層間損傷，而由于鋁材輕質的特點，可以減少由于拆除構件后對結構整體質量的影響。本次試驗一共設置了六種損傷工況和對應模式，分別考慮第3層、第4層和第5層發生不同程度損傷的情況，損傷工況與有限元模擬對應工況如表6所示。

表6 試驗的損傷工況設置Tab.6 States of transmission tower model experiment

為避免振動臺剛啟動時和即將結束時產生的誤差對結果的影響，本文對每個通道獲得的加速度數據做截斷處理，將試驗采集的加速度數據去掉前后，截取中間100 000個數據進行研究。圖11是試驗工況6下通道1、3、5采集的加速度響應數據節選。將試驗每種損傷工況采集的數據劃分為6×500的矩陣樣本，采用z-score對數據進行標準化構成驗證集。

圖11 試驗工況6下通道1、3、5加速度響應數據節選Fig.11 Part of the accelerations data of the channel 1,3 and 5 at test case 6

4.2 試驗結果分析

為驗證3.3節訓練所得模型對實際結構的損傷識別效果，將試驗所得樣本直接作為測試集樣本輸入上節訓練完成BO-BiLSTM模型進行損傷識別，整體識別準確率達到了79.6%。下面將具體從損傷位置和損傷程度對結果進行分析。

4.2.1 損傷位置識別分析

現將測試集經過BO-BiLSTM、BiLSTM和BO-LSTM網絡模型識別，各層的識別結果及定位準確率,如表7所示，各層Softmax-score如圖12所示。

表7 試驗損傷位置識別準確率Tab.7 Damage location identification accuracy rate of experiment

根據表7結果顯示，使用輸電塔試驗數據作為測試集，測試通過有限元模擬數據訓練出的BO-BiLSTM模型，整體的損傷定位準確率為82.8%，相對有限元結果有所下降，但仍保持有較高準確率。層間損傷的定位準確率從第3層的80.75%逐漸上升至第5層84.5%，準確率隨層數的增加而上升。對比三個模型識別結果可以發現，BO-BiLSTM模型整體識別效果更穩定，而BiLSTM和BO-LSTM模型在某些層均出現了較大波動，準確率較低。

分析各模型的Softmax-score可知，各模型對試驗層間損傷的定位表現結果與有限元模型結果基本相同，經過貝葉斯優化的BO-BiLSTM模型整體保持較高性能，可以較為準確提取不同位置損傷工況的定位特征；BiLSTM模型則對較低層的損傷特征提取不夠明顯，識別效果較差；BO-LSTM模型則對第4層損傷特征提取出現較大誤差，易與第3層損傷混淆。

圖12 試驗的損傷位置識別結果Fig.12 Damage location identification results of experiment

4.2.2 損傷模式識別分析

在試驗中每層損傷也設置了兩種損傷模式，即2桿損傷和4桿損傷。在本文第3章中，輸電塔有限元模型的桿件損傷通過剛度折減0.95的方法進行模擬。由于試驗條件限制，試驗中采取拆除桿件的方法模擬結構的剛度變化，故存在一定誤差。試驗中設置的2種損傷模式，與有限元模型模擬工況一致。表8所示為三種長短記憶網絡模型對不同損傷工況的識別結果準確率，圖13為各試驗工況Softmax-score。

表8 試驗的損傷模式識別準確率Tab.8 Damage pattern identification accuracy rate of experiment

從識別準確率不難看出，各模型損傷四根桿件桿工況準確率普遍高于損傷兩個桿件準確率，且其Softmax- score也更為突出，一定程度上表明模型對強損傷工況更為敏感，但整體而言BO-BiLSTM模型識別精度依舊保持良好。具體從各模型結果分析，雖然BO-LSTM與BiLSTM模型對損傷4根桿件識別效果略優于BO-BiLSTM模型，但實際準確率上差別不大；而對于損傷兩根桿件的工況而言，BiLSTM模型和BO-LSTM模型對部分工況識別效果很差，甚至完全失去判斷能力，而BO-BiLSTM模型仍保有較為不錯的識別精度,識別更加穩定。

對比試驗與有限元模型準確率，由于訓練BO-BiLSTM模型的有限元數據并未包含噪聲，因此有限元模擬數據集的識別精度都高于試驗數據集，但兩者精度并未存在過大差距。在實際試驗過程中，試驗場地具有較大且復雜的環境噪聲(如人員走動、液壓機的振動、開關門、空調等等)，BO-BiLSTM模型對試驗測試集識別精度仍保持在一個較高水平，由此可知BO-BiLSTM模型在結構的損傷識別的實際應用過程中具有較好的抗噪能力和魯棒性。

圖13 試驗的損傷模式識別結果Fig.13 Damage pattern identification results of experiment

5 結 論

本文提出了一種基于貝葉斯優化的BiLSTM模型的損傷識別方法，該方法運用貝葉斯優化選取BiLSTM模型的超參數組合，通過結構加速度響應數據訓練模型，使其具備損傷識別能力。采用輸電塔有限元模型損傷試驗驗證了提出方法的有效性，并對一個實際輸電塔結構進行了試驗研究，結果表明：

(1) 本文提出的損傷識別方法能夠有效識別輸電塔結構的層間損傷。以結構不同損傷狀態下加速度響應作為輸入數據，經過訓練后的BO-BiLSTM模型可以判斷其損傷的位置與損傷模式。

(2) BiLSTM模型的超參數與模型性能密切相關。從輸電塔有限元試驗中得知，貝葉斯優化可以有效的運用于BiLSTM模型的超參數選取，充分利用歷史信息選取最優超參數組合，提高搜索效率。

(3) BO-BiLSTM模型可以采用異源數據(有限元模擬和振動臺試驗)進行損傷識別。有限元模擬的方法可以獲得大量不同損傷工況下的加速度樣本作為訓練集，訓練用于輸電塔損傷識別的BO-BiLSTM模型，提取結構損傷特征信息，再將之應用于實際結構的損傷診斷之中。

本研究通過有限元模型模擬部分損傷工況，以此作為訓練集訓練長短時記憶網絡，并以試驗數據驗證該方法的有效性。由于實際可能出現的工況種類眾多，模型模擬的數據量龐大，對網絡模型的要求更高，受試驗條件限制本文模型試驗中無法涵蓋所有可能出現的損傷工況，故應用于實際中仍有待進一步研究。