Damage identification techniques are of essential importance to promote the efficiency, reliability and safety of any structural system. In recent years, many artificial intelligence (AI)-based approaches have been successfully applied to establish damage identification tools using sample structural responses. However, it is generally difficult to fully train a deep neural network, therefore, researchers usually use shallow neural networks, which is limited in terms of performance. Addressing these issues, this paper proposes a novel structural damage identification method based on the raw time-series structural response signals and a deep residual network (DRN). A deep residual network is designed for extracting features of the raw time-domain impedance responses signals that measured from steel beam under different damage conditions. In order to optimize the network’s performance, a residual learning algorithm and the Bayesian optimization algorithm are proposed and implemented. The results show that different structural conditions have been identified accurately. Also, the proposed methodology is suitable for processing structural responses signal with variable sequential length. Reasonable knowledge is required in damage detection and signal processing, which increases the applicability of the established method. Thus, the introduced method offers significant improvement for structural health monitoring (SHM) in terms of different damage sizes and location detection. To the best of our knowledge, this is the first work adopting DRN simultaneously on SHM non-image datasets of electro-mechanical impedance (EMI) signals.

损伤识别技术对于提高任何结构系统的效率、可靠性和安全性至关重要。近年来，许多基于人工智能 (AI) 的方法已成功应用于使用样本结构响应建立损伤识别工具。然而，深度神经网络一般很难完全训练，因此研究人员通常使用浅层神经网络，这在性能方面受到限制。针对这些问题，本文提出了一种基于原始时间序列结构响应信号和深度残差网络 (DRN) 的新型结构损伤识别方法。深度残差网络被设计用于提取在不同损伤条件下从钢梁测量的原始时域阻抗响应信号的特征。为了优化网络性能，提出并实现了残差学习算法和贝叶斯优化算法。结果表明，不同的结构条件已被准确识别。此外，所提出的方法适用于处理具有可变序列长度的结构响应信号。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。提出并实现了残差学习算法和贝叶斯优化算法。结果表明，不同的结构条件已被准确识别。此外，所提出的方法适用于处理具有可变序列长度的结构响应信号。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。提出并实现了残差学习算法和贝叶斯优化算法。结果表明，不同的结构条件已被准确识别。此外，所提出的方法适用于处理具有可变序列长度的结构响应信号。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。结果表明，不同的结构条件已被准确识别。此外，所提出的方法适用于处理具有可变序列长度的结构响应信号。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。结果表明，不同的结构条件已被准确识别。此外，所提出的方法适用于处理具有可变序列长度的结构响应信号。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。损伤检测和信号处理需要合理的知识，这增加了所建立方法的适用性。因此，所引入的方法在不同损伤大小和位置检测方面为结构健康监测（SHM）提供了显着改进。据我们所知，这是第一项在机电阻抗 (EMI) 信号的 SHM 非图像数据集上同时采用 DRN 的工作。