[論文レビュー] Deep generative models for unsupervised delamination detection using guided waves

Mahindra Rautela, Amin Maghareh+2 more|arXiv (Cornell University)|Aug 10, 2023

Ultrasonics and Acoustic Wave PropagationEngineering被引用数 3

ひとこと要約

本論文は、超音波ガイド波を用いた複合航空構造物における不顕在検出のための1クラス変分オートエンコーダー（VAE）を提案する。連続ウェーブレット変換（CWT）を用いてベースライン信号を時間周波数表現に変換し、その上で訓練することで、モデルは正常信号の分布を学習し、異常としての不顕在を分布外の異常と検出する。オープンベンチマークデータセットを用いて、99パーセンタイルの誤差閾値を設定することで、高い精度を達成した。

ABSTRACT

With the rising demands for robust structural health monitoring procedures for aerospace structures, the scope of intelligent algorithms and learning techniques is expanding. Supervised algorithms have shown promising results in the field provided a large, balanced, and labeled amount of data for training. For some applications like aerospace, the data collection process is cumbersome, time-taking, and costly. Also, generating possible damage scenarios in a laboratory setup is challenging because of the complexity of the damage initiation and failure mechanism. Besides this, the uncertainties of the real-time operation restrict the online prediction accuracy with supervised learning. In this paper, deep generative models are proposed for unsupervised delamination prediction as an anomaly detection problem. In this one-class-based model, the deep learning network is trained to learn the distribution of baseline signals. In the testing phase, damage signals and unseen baseline signals are fed into the trained network to predict the state of the structure, i.e., healthy or unhealthy (delamination). It is seen that the proposed method can successfully predict the delamination with high accuracy.

研究の動機と目的

• 航空宇宙構造健全性モニタリングにおける限られた、高コストで不均衡なラベル付きデータの課題に対処すること。
• 深層生成モデルを用いた教師なし異常検出フレームワークを、不顕在検出に開発すること。
• 教師あり学習が不適切な安全上の重要な航空宇宙アプリケーションにおけるオンラインでリアルタイムの健全性モニタリングを可能にすること。
• ガイド波信号の時間周波数表現を活用して、検出のロバスト性を向上させること。
• 損傷ラベルなしの訓練データを必要とせずに、健全状態と不顕在状態を区別できる1クラスVAEの有効性を実証すること。

提案手法

• ベースライン（健全）ガイド波信号にのみ特化して訓練する1クラスVAEを用いて、その下位の分布を学習する。
• 1次元時系列のガイド波信号を、連続ウェーブレット変換（CWT）を用いて2次元の時間周波数表現に変換する。
• 畳み込みエンコーダとデコーダを備えたVAEを用い、2次元の潜在空間と再パラメータ化トリックを採用し、エンドツーエンドの訓練を実現する。
• 平均二乗再構成誤差と事後分布と事前分布のKLD（Kullback-Leiblerダイバージェンス）の組み合わせ損失関数を最適化してネットワークを訓練する。
• 検出の閾値を、訓練データの99パーセンタイルと最大誤差に設定し、未観測の信号を健全または不顕在と分類する。
• 潜在空間と再構成誤差を可視化することで、健全と異常信号の分布の分離を検証する。

実験結果

リサーチクエスチョン

• RQ1 1クラスVAEは、複合パネルのベースラインガイド波信号の分布を効果的に学習できるか？
• RQ2 損傷ラベルなしのデータを前提に、訓練されたVAEは不顕在を分布外の異常としてどれほど良好に検出できるか？
• RQ3 CWTによる時間周波数表現を用いることで、生の信号と比較して検出性能が向上するか？
• RQ4 誤検出と見逃しを最小限に抑えるために、最適な閾値選択戦略（例：99パーセンタイル vs. 最大誤差）は何か？
• RQ5 学習された埋め込み空間における健全と不顕在信号の潜在空間表現は、どれほど分離可能か？

主な発見

• 1クラスVAEは、99パーセンタイル誤差閾値が最大誤差閾値を上回る性能を示し、不顕在を分布外信号として高い分類精度で検出できた。
• CWTによる時間周波数表現は、生のガイド波信号を直接用いる場合と比較して、検出性能を顕著に向上させた。
• 潜在空間には健全と不顕在信号のクラスタが明確に分離しており、有効な特徴学習が行われたことが示された。
• 不顕在信号の再構成誤差は健全信号よりも顕著に高かったため、モデルの異常検出能力が確認された。
• 限られたラベル付きデータでも、未観測の健全信号と損傷信号を効果的に区別できるという、モデルのロバスト性が示された。
• 低誤検出率と教師なし性の両立により、本フレームワークは安全上の重要な航空宇宙アプリケーションに適している。