Bài báo đề xuất một phương pháp học sâu sử dụng mạng nơ-ron tích chập một chiều (1D CNN) để khôi phục dữ liệu dao động bị thiếu trong hệ thống giám sát sức khỏe kết cấu (SHM). Dữ liệu được thu thập từ mô hình cầu dây văng trong phòng thí nghiệm dưới dạng chuỗi thời gian đơn biến có các đoạn bị thiếu ngẫu nhiên. Để cải thiện khả năng học của mô hình và tính tổng quát, kỹ thuật tăng cường dữ liệu bằng nhiễu Gaussian được áp dụng trong quá trình huấn luyện. Mô hình được đánh giá bằng các chỉ số RMSE, MAE và hệ số tương quan R². Kết quả nghiên cứu cho thấy, mô hình 1D CNN có khả năng trích xuất đặc trưng cục bộ vượt trội từ tín hiệu đầu vào, đồng thời có tốc độ huấn luyện nhanh, độ ổn định cao và kiến trúc gọn nhẹ, rất phù hợp với các ứng dụng trong môi trường thực tế. Đồng thời, việc bổ sung nhiễu Gaussian với độ lệch chuẩn hợp lý, giúp cải thiện đáng kể độ chính xác khôi phục so với mô hình không tăng cường dữ liệu. Phương pháp đề xuất cho thấy tiềm năng ứng dụng trong phục hồi dữ liệu bị mất hoặc hỏng trong các hệ thống SHM thực tế, góp phần nâng cao độ tin cậy của việc phân tích và chẩn đoán kết cấu.

This article proposes a deep learning approach that uses one-dimensional convolutional neural networks (1D CNN) to reconstruct missing vibration data in structural health monitoring (SHM) systems. The data were collected f-rom a laboratory-scale cable-stayed bridge model, represented as univariate time series with randomly missing segments. In order to enhance the model’s learning capability and generalisation, Gaussian noise-based data augmentation is applied during training. The models are evaluated using RMSE, MAE, and R² metrics. The research results show that the 1D CNN model demonstrates superior capability in extracting local features f-rom input signals, while also offering fast training speed, high stability, and a lightweight architecture, making it highly suitable for real-world applications. In addition, incorporating Gaussian noise with an appropriate standard deviation can significantly improve the reconstruction accuracy compared to the non-augmented data model. The proposed method has demonstrated strong potential for recovering lost or corrupted data in practical SHM systems, thereby improving the reliability of structural analysis and diagnostics.