[論文レビュー] Structural Damage Identification Using Artificial Neural Network and Synthetic data

Divya Shyam Singha, G. B. L. Chowdarya+1 more|arXiv (Cornell University)|Mar 27, 2017

Structural Health Monitoring Techniques被引用数 7

ひとこと要約

本論文は、合成および実験的周波数応答関数（FRF）データでトレーニングされた人工ニューラルネットワーク（ANN）を用いて、リアルタイムでの構造的損傷同定手法を提案する。主成分分析（PCA）を適用して次元削減とノイズ低減を図ることで、剛性パネル構造における亀裂、リベット穴の拡大、追加質量の損傷を高精度かつ高い耐性をもって局所化・予測可能である。

ABSTRACT

This paper presents real-time vibration based identification technique using measured frequency response functions(FRFs) under random vibration loading. Artificial Neural Networks (ANNs) are trained to map damage fingerprints to damage characteristic parameters. Principal component statistical analysis(PCA) technique was used to tackle the problem of high dimensionality and high noise of data, which is common for industrial structures. The present study considers Crack, Rivet hole expansion and redundant uniform mass as damages on the structure. Frequency response function data after being reduced in size using PCA is fed to individual neural networks to localize and predict the severity of damage on the structure. The system of ANNs trained with both numerical and experimental model data to make the system reliable and robust. The methodology is applied to a numerical model of stiffened panel structure, where damages are confined close to the stiffener. The results showed that, in all the cases considered, it is possible to localize and predict severity of the damage occurrence with very good accuracy and reliability.

研究の動機と目的

• ランダム励振下における周波数応答関数（FRFs）を用いた、リアルタイムで可能な振動ベースの構造損傷同定技術の開発。
• 産業構造物に一般的に見られる高次元的かつノイズの多いデータに対して、主成分分析（PCA）を用いた次元削減により対処。
• 数値シミュレーションと実験データの両方を用いて人工ニューラルネットワーク（ANN）をトレーニングし、システムの信頼性と耐性を向上。
• 亀裂、リベット穴の拡大、均一な質量追加という3種類の損傷の局所化と深刻度の予測。
• 損傷がリブ付近に局在化する剛性パネル構造を対象として、手法の妥当性を検証。

提案手法

• 高ノイズ・高次元のFRFデータの次元削減を目的として、主成分分析（PCA）を適用し、損傷に関連する重要な特徴を保持。
• 次元削減されたFRFデータを入力とし、損傷特徴パrameter（位置・深刻度など）へのマッピングを実現するため、人工ニューラルネットワーク（ANN）をトレーニング。
• 一般化性能と耐性を向上させるために、数値シミュレーションと実験データを組み合わせたハイブリッドデータセットを用いてANNをトレーニング。
• 各ANNは、事前処理済みのFRFデータに基づき、特定の損傷タイプ（亀裂、リベット穴、追加質量）の検出・定量に特化。
• ランダム振動荷重下でのFRF測定値を入力とすることで、リアルタイムでの損傷評価を可能に。
• 損傷がリブ付近に限定される剛性パネルの有限要素モデルを用いて、手法の妥当性を検証。

実験結果

リサーチクエスチョン

• RQ1 合成的および実験的FRFデータでトレーニングされた人工ニューラルネットワークは、リアルタイムで構造損傷を正確に同定できるか？
• RQ2 PCAは、損傷に敏感な特徴を保持しつつ、高次元的・ノイズの多いFRFデータを効果的に次元削減できるか？
• RQ3 数値的および実験的データを組み合わせたハイブリッドトレーニングアプローチは、損傷同定システムの耐性および信頼性をどの程度向上できるか？
• RQ4 本手法は、亀裂、リベット穴の拡大、追加質量という複数の損傷タイプを同時に高精度で局所化・定量できるか？
• RQ5 損傷が構造的リブ付近に局在化するという産業界で一般的な状況下でも、システムの性能はどの程度維持されるか？

主な発見

• 提案手法は、亀裂、リベット穴の拡大、追加質量という3種類の損傷タイプを、高精度で局所化および深刻度を予測した。
• PCAはFRFデータの次元削減を効果的に行い、ノイズ低減が顕著に実現され、ニューラルネットワーク分類器の性能向上が達成された。
• 数値的および実験的データの両方を用いたハイブリッドトレーニングアプローチにより、ANNシステムの耐性および一般化能力が向上した。
• 測定ノイズやデータ変動が存在する状況下でも、信頼性の高い損傷同定が可能であった。
• すべての損傷シナリオにおいて一貫した性能を示し、ANNおよび合成データを用いたリアルタイム構造健全性モニタリングの実現可能性が裏付けられた。