Composieten vertonen richtingsafhankelijk gedrag, wat de voorspelling van schade bemoeilijkt en de structurele veiligheid beïnvloedt. Om deze uitdaging aan te pakken, zijn systemen voor Structurele Gezondheidsmonitoring (SGM) ontwikkeld, die structuren continu monitoren via trillingen of vervormingen om schade te detecteren en te evalueren. Vibratieanalyses, met name gegevens van lagere frequentiemodaliteiten, zijn cruciaal voor het beoordelen van de structurele gezondheid, waarbij schade massa, stijfheid en dempingsverhoudingen beïnvloedt. Terwijl op sensorgegevens gebaseerde SGM-methoden realtime detectie bieden, ontbreken gedetailleerde ernstanalyse, en op modellen gebaseerde methoden gedetailleerde beoordelingen bieden maar minder geschikt zijn voor realtime evaluatie. Om deze beperkingen te overwinnen, wordt een hybride benadering voorgesteld. Op sensorgegevens gebaseerde methoden maken gebruik van een 1D-CNN voor kenmerkextractie, waardoor zowel de lokalisatie als de kwantificatie van schade mogelijk is. Op modellen gebaseerde methoden gebruiken de modale spanningsenergieverhouding voor lokalisatie en optimalisatiealgoritmen in kunstmatige neurale netwerken voor ernstbeoordeling. Resultaten tonen de effectiviteit van 1D-CNN's in het identificeren van scheuren en van het YUKI-algoritme voor efficiënte ernstvoorspelling. Over het geheel genomen belicht de studie het potentieel van beide technieken in SGM en suggereert het richtingen voor toekomstig onderzoek.