[論文レビュー] Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach

Zhiming Zhang, Jin Yan+3 more|arXiv (Cornell University)|Jan 11, 2021

Structural Health Monitoring Techniques参考文献 34被引用数 6

ひとこと要約

本研究では、ケーブル張力データを分析することで斜張橋のストレインケーブル損傷を検出する、LSTM-FCNモデルを用いた深層学習ベースの時系列分類（TSC）手法を提案する。健全なケーブルの張力パターンを学習し、新たなデータにおける分類精度が最低となることをもって、損傷を受けていたケーブル（SJS11）を高い信頼性で特定した。本手法は最小限の前処理と特徴工学に依存するため、従来手法を上回る性能を発揮した。

ABSTRACT

This study proposes a data-driven method that detects cable damage from measured cable forces by recognizing biased patterns from the intact conditions. The proposed method solves the pattern recognition problem for cable damage detection through time series classification (TSC) in deep learning, considering that the cable's behavior can be implicitly represented by the measured cable force series. A deep learning model, long short term memory fully convolutional network (LSTM-FCN), is leveraged by assigning appropriate inputs and representative class labels for the TSC problem, First, a TSC classifier is trained and validated using the data collected under intact conditions of stay cables, setting the segmented data series as input and the cable (or cable pair) ID as class labels. Subsequently, the classifier is tested using the data collected under possible damaged conditions. Finally, the cable or cable pair corresponding to the least classification accuracy is recommended as the most probable damaged cable or cable pair. The proposed method was tested on an in-service cable-stayed bridge with damaged stay cables. Two scenarios in the proposed TSC scheme were investigated: 1) raw time series of cable forces were fed into the classifiers; and 2) cable force ratios were inputted in the classifiers considering the possible variation of force distribution between cable pairs due to cable damage. Combining the results of TSC testing in these two scenarios, the cable with rupture was correctly identified. This study proposes a data-driven methodology for cable damage detection that requires the least data preprocessing and feature engineering, which enables fast and convenient early detection in real applications.

研究の動機と目的

• 健全なケーブルの張力パターンを用いたデータ駆動型手法を、複雑な前処理に依存しない形で開発すること。
• 交通や気象条件などの外部要因が伝統的な張力ベースの健全性指標に与える影響を区別する課題に対処すること。
• 手動による特徴工学を回避するため、深層学習を活用した時系列分類（TSC）により損傷検出の精度を向上させること。
• 実際の運用中の橋梁から得られた既知のケーブル損傷を有する実データを用いて、本手法を検証すること。
• 入力表現としての「原始的なケーブル張力」と「ケーブル張力比」の2種類を比較し、損傷検出性能に与える影響を特定すること。

提案手法

• 健全状態でのケーブル張力の時系列データを用いて、長短記憶型完全畳み込みネットワーク（LSTM-FCN）を訓練し、ケーブルIDをクラスラベルとする。
• モデルはまず健全ケーブルのデータを用いて訓練および検証し、正常な挙動パターンを学習する。
• シナリオ1では、原始的なケーブル張力時系列をTSC分類器の入力として使用する。
• シナリオ2では、ペアドケーブル間のケーブル張力比を入力として使用し、外部荷重変動への感受性を低減する。
• 損傷が疑われる状態で収集された新しいデータに対して分類精度を計算し、最も低い精度を示したケーブルまたはケーブルペアを最も損傷している可能性が高いとマークする。
• 両シナリオの結果を統合することで損傷特定の信頼性を向上させ、最終判断は両入力タイプ間で一貫性があるかに基づく。

実験結果

リサーチクエスチョン

• RQ1 原始的なケーブル張力データのみを用い、最小限の前処理で深層学習ベースの時系列分類モデルがストレインケーブル損傷を検出可能か？
• RQ2 ケーブル張力比を入力として使用することで、原始的張力と比較して損傷検出のロバスト性と精度が向上するか？
• RQ3 損傷が疑われる状態で収集されたデータを用いてテストした際、異なるケーブルにおけるTSCモデルの分類精度はどのように変化するか？
• RQ4 複数のケーブルに異常行動が見られる状況でも、本手法は破断した特定のケーブルを信頼性高く同定できるか？
• RQ5 健全状態でのデータに対するモデルの性能が、損傷または異常状態で収集されたデータに対してもどの程度一般化できるか？

主な発見

• シナリオ1では、SJS11の分類精度が0.28に著しく低下し、SJX10では0.25に低下しており、損傷の兆候が示された一方、他のケーブルの精度は0.50以上を維持した。
• シナリオ2では、ケーブルペアSJ11の分類精度が0.02に低下したが、他のすべてのペアは0.90以上を維持しており、SJ11に損傷が生じたことを強く示唆した。
• シナリオ2でケーブル張力比を用いることで、全体のテスト精度がシナリオ1の0.56から0.75に向上し、モデルの一般化性能とロバスト性が向上したことが実証された。
• シナリオ2では、2011年以前のデータに対して0.96の高いベースライン精度を達成しており、健全状態からのパターン学習の安定性が確認された。
• 両シナリオの結果を統合することで、SJS11が最も損傷している可能性が高いと自信を持って特定でき、文献の報告と整合的であった。
• 本手法は最小限のデータ前処理と特徴工学を必要とせず、破断ケーブルを的確に検出できた。これにより、実応用における迅速かつ実用的な早期警報が可能となった。