[論文レビュー] Modelling variability in vibration-based PBSHM via a generalised population form

TINA A. DARDENO, Lawrence A. Bull+3 more|arXiv (Cornell University)|Mar 14, 2022

Structural Health Monitoring Techniques参考文献 33被引用数 11

ひとこと要約

本論文では、同一構造物と見なされるヘリコプターのローター・ブレード群における振動応答特性のばらつきをモデル化するため、重複混合ガウス過程（OMGP）を用いた一般化された集団形式を提案する。4つの全スケールの複合材ブレードからの周波数応答関数（FRF）の確率的で関数的な表現を学習することで、製造ばらつきや環境要因に起因する固有のばらつきを捉え、負の対数周辺尤度を用いた耐障害性の高い異常検知を実現した。結果として、少数の集団サイズでも良好な一般化性能と周波数シフトに対する感受性を示した。

ABSTRACT

Structural health monitoring (SHM) has been an active research area for the last three decades, and has accumulated a number of critical advances over that period, as can be seen in the literature. However, SHM is still facing challenges because of the paucity of damage-state data, operational and environmental fluctuations, repeatability issues, and changes in boundary conditions. These issues present as inconsistencies in the captured features and can have a huge impact on the practical implementation, but more critically, on the generalisation of the technology. Population-based SHM has been designed to address some of these concerns by modelling and transferring missing information using data collected from groups of similar structures. In this work, vibration data were collected from four healthy, nominally-identical, full-scale composite helicopter blades. Manufacturing differences (e.g., slight differences in geometry and/or material properties), among the blades presented as variability in their structural dynamics, which can be very problematic for SHM based on machine learning from vibration data. This work aims to address this variability by defining a general model for the frequency response functions of the blades, called a form, using mixtures of Gaussian processes.

研究の動機と目的

• 同一構造物と見なされる構造物において、製造差異、環境変動、境界条件の変化に起因する振動応答に基づく構造健康モニタリング（SHM）におけるばらつきに起因する課題に対処すること。
• 少数の類似構造物における周波数応答関数（FRF）の関数的ばらつきを捉える、データ駆動型で確率的なモデル（「形式」）を構築すること。
• 限られた健全なデータから共有表現を学習することで、集団ベースの構造健康モニタリング（PBSHM）における一般化と異常検知を可能にすること。
• 周波数シフトを段階的に与えた模擬FRFを用いて、手法の耐障害性を評価すること。
• OMGPに基づく形式が、非損傷要因による周波数シフトを伴う場合でも、正常状態のばらつきと異常変化を区別できることを示すこと。

提案手法

• 各ブレードに明示的なラベルが与えられた4つの健全で同一構造物と見なされるヘリコプター・ブレードのFRFデータを、教師あり混合ガウス過程（GPs）でモデル化する。
• 変分ベイズ推論を用いて、非教師ありの方法で集団形式を学習する重複混合ガウス過程（OMGP）を適用し、関数的トレースに基づいてデータをクラスタリングする。
• OMGPの事後予測分布を用いて、周波数帯域全域におけるFRFの大きさと不確実性の境界を確率的に予測する。
• 学習済み形式に対するテストFRF（実験的および模擬的）の負の対数周辺尤度（NLML）を計算し、異常を評価する。
• NLMLの99%信頼区間（2.58σ）を閾値とし、正常ばらつきの期待範囲外にあるデータを異常と特定する。
• OMGPの事後予測分布から10,000回のサンプリングを行い、形式の予測平均と不確実性境界を可視化する。

実験結果

リサーチクエスチョン

• RQ1 確率的モデルを用いて、少数の同一構造物でありながら関数的にばらつきを示す構造的システムから、一般化された集団形式を効果的に学習できるか。
• RQ2 非教師ありのOMGPモデルは、製造差異や境界条件の変動に起因するFRFの関数的ばらつきをどの程度正確に捉えられるか。
• RQ3 学習済みの集団形式は、損傷に類似した周波数シフトを示す模擬FRFを、非損傷要因によるものであっても、どの程度正確に検知できるか。
• RQ4 FRFの大きさやピーク位置が異なるブレード間で、異常検知性能はどのように変化するか。
• RQ5 個々の周波数点が不確実性境界内に収まっていても、関数的で全FRFに基づく異常指標が、信頼性を持って異常データを特定できるか。

主な発見

• OMGPに基づく集団形式は、4つの同一構造物と見なされるヘリコプター・ブレード間のFRFばらつきを正確に捉え、予測不確実性境界が観測データの分散とよく一致した。
• 負の対数周辺尤度（NLML）指標は、周波数を下方にシフトさせた模擬FRFを正常でないものとして効果的に特定した。周波数が学習データ範囲外に低下するにつれてNLML値が増加した。
• ブレード1では、NLMLは99%閾値に近づいたが、それを超えなかった。これは、形式が学習データ範囲の端縁付近の周波数シフトに対して感受性を示していることを示している。
• ブレード3では、周波数低下に伴いNLMLが一時的に上昇したが、模擬FRFがブレード1および2の固有周波数と一致した段階で低下した。これは、モデルが正常状態のピークと重複する場合を検知できる能力を有していることを示している。
• FRFの大きさが小さいブレード（例：ブレード1および2）では周波数シフトに対して高い感受性を示したが、大きさが大きいブレード（例：ブレード4）では、異常検知をトリガーするためにはより大きなシフトが必要だった。
• 個々の周波数点が不確実性境界内に収まっていても、全FRFに基づく関数的異常指標は、部分的な信号ずれに対して耐障害性を示し、異常データを効果的に特定できた。