Measured signals from installed sensors on structures cannot solely provide beneficial information about the presence of damage. Many signal processing methods have been developed to extract useful data from raw signals. However, each method has its advantages and disadvantages. In the present study, the fast S-transform signal processing method has been used for the damage detection of structures. Fast S-transform outperforms traditional S-Transform since it filters out unusable data using a scaling method. The method’s performance in obtaining correct natural frequencies of a structure has been evaluated using a 2 Degrees of Freedom (DOF) mass-spring dynamic system. Additionally, the ability of the method to detect damages in structural systems has been demonstrated using a 6 DOF structure subjected to Northridge earthquake record. The results of the mentioned numerical studies show that the fast S-transform can extract the accurate resonance frequencies of a structure, and also can detect the presence and the time of damage occurrence. In the experimental study, a 3 story plexi frame has been excited by a chirp sinusoidal signal. Furthermore, four different damage scenarios have been defined in the experimental study. To classify the four damage types, Convolutional Neural Network (CNN) has been used. The results of the experimental study show that fast S-transform can detect damages in real-time monitoring of structures, and the classification using CNN can identify the severity of damage.

来自结构上已安装传感器的测量信号不能仅提供有关损坏存在的有益信息。已经开发出许多信号处理方法以从原始信号中提取有用的数据。但是，每种方法都有其优点和缺点。在本研究中，快速S变换信号处理方法已用于结构的损伤检测。快速S变换优于传统S变换，因为它使用缩放方法过滤掉了不可用的数据。已使用2自由度（DOF）质量弹簧动态系统评估了该方法在获得正确的结构固有频率方面的性能。另外，使用经受北岭地震记录的6自由度结构已经证明了该方法检测结构系统损坏的能力。上述数值研究的结果表明，快速的S变换可以提取结构的准确共振频率，还可以检测损坏的存在和发生的时间。在实验研究中，a声正弦信号激发了一个三层的丛架。此外，在实验研究中定义了四种不同的损坏情况。为了对四种损坏类型进行分类，已使用了卷积神经网络（CNN）。实验研究的结果表明，快速的S变换可以在结构的实时监控中检测损坏，而使用CNN进行分类可以识别损坏的严重程度。并且还可以检测损坏的存在和发生的时间。在实验研究中，a声正弦信号激发了一个三层的丛架。此外，在实验研究中定义了四种不同的损坏情况。为了对四种损坏类型进行分类，已使用了卷积神经网络（CNN）。实验研究的结果表明，快速的S变换可以在结构的实时监控中检测损坏，而使用CNN进行分类可以识别损坏的严重程度。并且还可以检测损坏的存在和发生的时间。在实验研究中，a声正弦信号激发了一个三层的丛架。此外，在实验研究中定义了四种不同的损坏情况。为了对四种损坏类型进行分类，已使用了卷积神经网络（CNN）。实验研究的结果表明，快速S变换可以在结构的实时监视中检测损坏，而使用CNN进行分类可以识别损坏的严重程度。