Neues CNN-Ansatz wählt Modellklassen allein aus Systemantworten

Ein neu entwickeltes Deep‑Learning-Verfahren nutzt ein eindimensionales Convolutional Neural Network, um die Modellklasse eines Systems ausschließlich anhand seiner Reaktionsdaten zu bestimmen. Dabei werden Messwerte eines einzelnen Freiheitsgrades zusammen mit deren Klassenzugehörigkeit verwendet, um das Netzwerk zu trainieren und zu validieren. Das Ergebnis ist ein Modell, das neue, unbeschriftete Signale ohne Kenntnis der Systemeingänge oder einer vollständigen Systemidentifikation korrekt klassifizieren kann.

Zur weiteren Verbesserung wird optional ein physikbasierter Kalman‑Filter eingesetzt, der die Antwortsignale unter Einbeziehung der Kinematik von Beschleunigung und Verschiebung zusammenführt. Der Ansatz zeigt, dass er Modellklassen zuverlässig erkennt, selbst wenn leichte Signalvariationen durch Dämpfung oder Hysterese in linearen und nichtlinearen dynamischen Systemen sowie in einem 3‑D‑Gebäude‑Finite‑Element‑Modell auftreten. Damit bietet die Methode ein leistungsstarkes Werkzeug für Anwendungen im strukturellen Gesundheitsmonitoring.