[論文レビュー] Lost Vibration Test Data Recovery Using Convolutional Neural Network: A Case Study

Pouya Moeinifard, Mohammad Sadra Rajabi+1 more|arXiv (Cornell University)|Apr 11, 2022

Infrastructure Maintenance and Monitoring被引用数 9

ひとこと要約

本論文は、正常に動作するセンサー間の相関を活用して、故障したセンサーからの欠落した振動試験データを回復するための畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。この手法は、標準的なニューラルネットワークと比較して、より高い精度と低い計算コストを達成しており、畳み込み層を追加することで性能が向上する。

ABSTRACT

Data loss in Structural Health Monitoring (SHM) networks has recently become one of the main challenges for engineers. Therefore, a data recovery method for SHM, generally an expensive procedure, is essential. Lately, some techniques offered to recover this valuable raw data using Neural Network (NN) algorithms. Among them, the convolutional neural network (CNN) based on convolution, a mathematical operation, can be applied to non-image datasets such as signals to extract important features without human supervision. However, the effect of different parameters has not been studied and optimized for SHM applications. Therefore, this paper aims to propose different architectures and investigate the effects of different hyperparameters for one of the newest proposed methods, which is based on a CNN algorithm for the Alamosa Canyon Bridge as a real structure. For this purpose, three different CNN models were considered to predict one and two malfunctioned sensors by finding the correlation between other sensors, respectively. Then the CNN algorithm was trained by experimental data, and the results showed that the method had a reliable performance in predicting Alamosa Canyon Bridge's missed data. The accuracy of the model was increased by adding a convolutional layer. Also, a standard neural network with two hidden layers was trained with the same inputs and outputs of the CNN models. Based on the results, the CNN model had higher accuracy, lower computational cost, and was faster than the standard neural network.

研究の動機と目的

• 構造健康モニタリング（SHM）ネットワークにおけるデータ損失の増加する課題に対処し、構造物の評価と保守に悪影響を及えることを防ぐ。
• 機械学習、特に畳み込みニューラルネットワーク（CNN）を用いて、高価なSHMデータの回復手法を開発する。
• 信号ベースのデータ回復（画像処理ではなく）を焦点に、SHM応用に適したCNNハイパーパrameterとアーキテクチャを最適化する。
• 欠落したセンサー・データの再構成において、CNNと標準的な順方向ニューラルネットワークの性能を比較する。
• 実世界の実験データを用いて、CNNベースのデータ回復の実現可能性と有効性を、Alamosa Canyon Bridgeからのデータで検証する。

提案手法

• 1つまたは2つの故障したセンサーからのデータ予測を目的とし、正常に動作するセンサーからの相関信号を活用する3種類の異なるCNNアーキテクチャを設計する。
• Alamosa Canyon Bridgeから収集した実際の実験振動データを用いて、CNNモデルを訓練する。
• 手動による特徴工学を伴わず、時系列センサー・データから時間的および空間的特徴を抽出するために畳み込み層を適用する。
• 性能比較のためのベースラインとして、標準的な2隠れ層の順方向ニューラルネットワークを用いる。
• 畳み込み層の数やフィルターサイズなどのハイパーパrameterを調整することで、モデル性能を最適化する。
• 予測精度や計算効率などの指標を用いて、モデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 正常なセンサー間の相関を活用することで、CNNベースのモデルはSHMシステムにおける欠落した振動データを効果的に回復できるか？
• RQ2 異なるCNNアーキテクチャおよびハイパーパrameter（例：畳み込み層の数）は、データ回復の精度にどのように影響するか？
• RQ3 SHMデータ回復において、CNNアプローチは予測精度と計算効率の点で、従来の順方向ニューラルネットワークを上回るか？
• RQ4 畳み込み層を追加することで、モデルの欠落したセンサー信号の再構成能力はどの程度向上するか？
• RQ5 提案手法は、橋梁などの土木インfra構造物からの実世界のSHMデータに対して、頑健で汎用性があると評価できるか？

主な発見

• CNNベースの手法は、欠落した振動データを回復する際、標準的な2隠れ層ニューラルネットワークよりも高い予測精度を達成した。
• 追加の畳み込み層を追加することで、欠落したセンサー信号の再構成におけるモデルの精度が顕著に向上した。
• CNNモデルは、標準的なニューラルネットワークと比較して、計算コストが低く、推論時間も速かった。
• 他のセンサー間の空間的および時間的相関を活用することで、1つまたは2つの故障したセンサーからのデータ回復に成功した。
• 結果から、CNNはSHMにおける非画像信号データに適しており、自動的かつ低監視特徴抽出を可能にすることが確認された。
• 実世界の土木インfra構造物のモニタリングへの実用的適用が可能であることが、Alamosa Canyon Bridgeからの実験データで裏付けられた。