於各種民生基礎建設中，為確保結構的可靠性與安全性，常裝設各式監測系統以獲得相關之結構當前健康狀態。在長期的監測過程中，這些監測系統會記錄大量的數據，其中亦包含許多異常訊號，最終造成結構健康監測（Structural Health Monitoring, SHM）與其應用(例如系統識別和損傷檢測)結果偏差。因此，識別並排除結構健康監測系統之異常訊號至關重要。
本研究透過真實橋樑之長期振動量測資料作為依據來建立深度學習的模型。如圖一所示，為使用的橋樑感測器配置圖，其中六種訊號異常包含了訊號遺失（missing）、微小訊號（minor）、離群值（outlier）、方波（square）、趨勢（trend）及訊號偏移（drift）。透過嘗試、探索且比較了幾種常見的機械學習（Machine Learning）技術，包含使用統計資訊的模式識別（Pattern Recognition，或稱圖形識別）網路、基於時間歷時的圖像式卷積神經網路（Convolutional Neural Network, CNN）與基於圖像式時頻混合卷積神經網路，可以了解到各神經網路之優劣。此外，透過結合數種不同淺層和深層神經網絡，可建立組合式的類神經網絡，以利用各神經網路特性與輸入之優勢。如圖二所示，測試結果顯示組合式的類神經網路可以成功的識別出多數的訊號異常。再者，使用組合式的類神經網絡能夠達到比使用單一模型更好的識別效果，如圖三所示為經比較獲得最好的單一模型GoogLeNet（圖三（a））與基於組合式類神經網路（圖三（b））之混合陣列（confusion matrix）。利用本研究所提出之模型，可作為施行結構健康監測前檢查訊號品質的工具。（土木系張家銘教授提供）
圖一、橋樑長期結構監測感測器配置圖
圖二、使用混合式類神經網路之識別結果
圖三、混合陣列：（a）GoogLeNet和（b）組合式神經網路