摘要:在长期监测过程中，由于传感器设备故障、供能中断、网络传输问题等诸多因素，导致结构健康监测系统采集的数据存在不完整性。针对这一问题，结合集合经验模态分解（ensemble empirical mode decomposition，EEMD）与双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）在时序处理方面的优势，提出一种基于EEMD-BiLSTM的结构监测缺失数据重构方法。该方法利用EEMD自适应分解监测时序数据为1组代表不同时间尺度的本征模态分量（intrinsic mode function，IMF），使非线性、非平稳序的时序信号平稳化。然后，将IMF分量输入到BiLSTM网络中进行缺失数据重构，提高BiLSTM预测精度。针对6层框架结构缩尺模型和Benchmark有限元仿真模型进行分析，试验结果表明，相比EEMD-LSTM、BiLSTM、LSTM主流方法，提出的EEMD-BiLSTM具有最高预测精度，在5%、10%、15%缺失数据情况下，其R2指标保持在0.8以上。因此，采用EEMD方法对非稳态结构加速响应数据进行预处理，可有效提高BiLSTM的预测精度，对于结构监测缺失数据问题，提供更具适应性的方法。