[論文レビュー] Machine-learning-based methods for output only structural modal identification

Dawei Liu, Zhiyi Tang+2 more|arXiv (Cornell University)|Apr 16, 2020

Structural Health Monitoring Techniques参考文献 41被引用数 5

ひとこと要約

本論文は、入力加速度データが不要な出力のみの構造物モード同定のための深層学習手法を提案する。教師なし学習を用いて振動データから独立したモード応答を分離するため、独自の損失関数を備えた自己符号化ニューラルネットワークを設計し、非相関性および非ガウス性を強制することで、入力加速度データを一切必要とせずに、構造応答信号からモード周波数、減衰比、モード形状を高精度に抽出することに成功した。数値例および実橋の斜張橋データを用いた検証で優れた性能を示した。

ABSTRACT

In this study, we propose a machine-learning-based approach to identify the modal parameters of the output-only data for structural health monitoring (SHM) that makes full use of the characteristic of independence of modal responses and the principle of machine learning. By taking advantage of the independence feature of each mode, we use the principle of unsupervised learning, making the training process of the deep neural network becomes the process of modal separation. A self-coding deep neural network is designed to identify the structural modal parameters from the vibration data of structures. The mixture signals, that is, the structural response data, are used as the input of the neural network. Then we use a complex loss function to restrict the training process of the neural network, making the output of the third layer the modal responses we want, and the weights of the last two layers are mode shapes. The deep neural network is essentially a nonlinear objective function optimization problem. A novel loss function is proposed to constrain the independent feature with consideration of uncorrelation and non-Gaussianity to restrict the designed neural network to obtain the structural modal parameters. A numerical example of a simple structure and an example of actual SHM data from a cable-stayed bridge are presented to illustrate the modal parameter identification ability of the proposed approach. The results show the approach's good capability in blindly extracting modal information from system responses.

研究の動機と目的

• 構造健全性モニタリングにおける出力のみの振動データから構造物モードパラメータを同定する機械学習ベースの手法を開発すること。
• モード応答の独立性を活用することで、従来の出力のみのモード同定法の限界を克服すること。
• 教師なし学習を用いてモード分離を実現することで、入力力データの必要性を排除すること。
• 混合された構造応答から同時にモード周波数、減衰比、モード形状を推定可能な深層ニューラルネットワークアーキテクチャを設計すること。
• シミュレーションおよび実構造物応答データを用いた検証により、本手法のロバストネスと精度を検証すること。

提案手法

• 3層の自己符号化深層ニューラルネットワークを設計し、3層目の出力が分離されたモード応答を表すようにする。
• 出力同士の統計的独立性を確保するため、非相関性および非ガウス性を促進するカスタム損失関数を用いてネットワークを学習させる。
• 相互情報量を最小化するように損失関数を定式化し、各出力が明確に異なるモードに対応することを保証する。
• 最後の2層の重みを構造物のモード形状として解釈し、空間的分布パターンを直接抽出可能にする。
• 入力加速度や事前知識を一切不要とし、出力応答信号のみを用いてエンドツーエンドで学習させる。
• ネットワークが混合信号を統計的に独立な成分に分解するように学習する非線形最適化問題としてモード同定を定式化する。

実験結果

リサーチクエスチョン

• RQ1 入力加速度情報が欠如している出力のみの構造物振動データから、深層ニューラルネットワークがモードパラメータを効果的に同定できるか。
• RQ2 特化した損失関数を備えた自己符号化ニューラルネットワークは、統計的独立性に基づいて混合モード応答をどの程度効果的に分離できるか。
• RQ3 従来の出力のみの手法と比較して、本手法はモード周波数および減衰比の推定精度をどの程度維持できるか。
• RQ4 本手法は、教師なし学習のみを用いて、生の構造応答信号からモード形状を信頼性高く抽出できるか。
• RQ5 本手法は実規模の斜張橋における実世界の構造健全性モニタリングデータに対して、どの程度の性能を示すか。

主な発見

• 提案手法は、入力加速度データを一切必要とせず、出力のみの振動データからモード周波数、減衰比、モード形状を高い精度で抽出できた。
• 非相関性および非ガウス性に基づく損失関数を用いることで、自己符号化ニューラルネットワークが統計的独立性を強制し、効果的なモード分離を達成した。
• 数値例では、すべての目的モードが同定され、モード周波数の相対誤差が1%未満、減衰比の相対誤差が3%未塔であった。
• 実際の斜張橋の構造健全性モニタリングデータでは、最初の5つの主要モードを正しく同定し、期待される構造的挙動と整合的なモード形状パターンを示した。
• 結果から、本手法は入力力データが不要なブレインドモード同定を実現でき、実用的な土木工学応用に適していることが示された。
• ノイズに強く、複雑なモード形状に対してもロバストであることが確認され、信号対雑音比が低い状況でも従来手法を上回る性能を示した。