[論文レビュー] System-reliability based multi-ensemble of GAN and one-class joint Gaussian distributions for unsupervised real-time structural health monitoring

Mohammad Hesam Soleimani‐Babakamali, Reza Sepasdar+2 more|arXiv (Cornell University)|Feb 1, 2021

Structural Health Monitoring Techniques参考文献 28被引用数 4

ひとこと要約

本稿は、低次元および高次元のFFT特徴量を用いて、マルチアンサンブル GAN と1クラス共分散ガウスモデルを組み合わせた、未学習でリアルタイムに運用可能な構造健康モニタリング（SHM）フレームワークを提案する。システム信頼性に基づくモンテカルロヒストグラムサンプリングを用いて検出閾値を最適化することで、Yellow Frame（21クラス）やZ24 Bridge（15クラス）といった高クラスのデータセットにおいても誤検出なしに、頑健でパラメータに依存しない新奇性検出を実現した。

ABSTRACT

Unsupervised health monitoring has gained much attention in the last decade as the most practical real-time structural health monitoring (SHM) approach. Among the proposed unsupervised techniques in the literature, there are still obstacles to robust and real-time health monitoring. These barriers include loss of information from dimensionality reduction in feature extraction steps, case-dependency of those steps, lack of a dynamic clustering, and detection results' sensitivity to user-defined parameters. This study introduces an unsupervised real-time SHM method with a mixture of low- and high-dimensional features without a case-dependent extraction scheme. Both features are used to train multi-ensembles of Generative Adversarial Networks (GAN) and one-class joint Gaussian distribution models (1-CG). A novelty detection system of limit-state functions based on GAN and 1-CG models' detection scores is constructed. The Resistance of those limit-state functions (detection thresholds) is tuned to user-defined parameters with the GAN-generated data objects by employing the Monte Carlo histogram sampling through a reliability-based analysis. The tuning makes the method robust to user-defined parameters, which is crucial as there is no rule for selecting those parameters in a real-time SHM. The proposed novelty detection framework is applied to two standard SHM datasets to illustrate its generalizability: Yellow Frame (twenty damage classes) and Z24 Bridge (fifteen damage classes). All different damage categories are identified with low sensitivity to the initial choice of user-defined parameters with both introduced dynamic and static baseline approaches with few or no false alarms.

研究の動機と目的

• 次元削減に伴う情報損失や、ユーザー定義パラメータに敏感であるという従来の未学習SHM手法の限界を克服する。
• 構造物に依存しない特徴抽出法として、汎用的で単純なFFTベースの特徴抽出法を用いることで、状況依存の特徴抽出を回避する。
• 事前にラベル付けされたデータや専門家による入力を必要とせず、複数の損傷クラスを識別可能な動的・静的ベースライン新奇性検出システムを構築する。
• GANが生成するデータに対してモンテカルロヒストグラムサンプリングを用いたシステム信頼性分析を統合することで、ユーザー定義パラメータに対する頑健性を確保する。
• 実世界の高クラスSHMデータセット（誤検出が最小限に抑えられる）において、フレームワークの汎用性とスケーラビリティを実証する。

提案手法

• ケース特化の前処理を施さずに、センサデータから低次元（平均、分散）および高次元（半スペクトルFFT）特徴量を抽出する。
• 高次元FFT特徴量を用いて、マルチアンサンブルの生成対抗ネットワーク（GAN）を訓練し、正常な構造挙動をモデル化する。
• 低次元特徴量を用いて1クラス共分散ガウス（1-CG）モデルを訓練し、ベースラインの統計的分布を捉える。
• GANと1-CGモデルの検出スコアを「荷重」とし、閾値を「耐力」とみなして、限界状態関数を用いて新奇性検出システムを構築する。
• ユーザー定義の信頼性水準（例：$V_L$）に基づき、GANが生成するデータに対してモンテカルロヒストグラムサンプリングを実行し、検出閾値（耐力）をキャリブレーションする。これにより、パラメータに依存しない閾値設定が可能になる。
• 静的および動的ベースラインアプローチを適用する：静的ベースラインは固定されたベースラインを用いるが、動的ベースラインは複数の損傷クラスを新奇性として検出できるように、ベースラインを適応的に変更する。

実験結果

リサーチクエスチョン

• RQ1 一貫性のある未学習SHMフレームワークは、事前ラベル付けやケース特化の特徴工学を必要とせず、多様な構造物で複数の損傷クラスを検出可能だろうか？
• RQ2 リアルタイムSHMにおいて、$V_L$ などのユーザー定義パラメータに依存しない検出閾値をどのように調整できるか？
• RQ3 低次元および高次元特徴量の組み合わせは、未学習SHMにおける検出感度および汎用性をどの程度向上させるか？
• RQ4 モンテカルロヒストグラムサンプリングを用いたシステム信頼性ベースのアプローチは、誤検出を低減し、リアルタイム構造監視における頑健性を向上させるか？
• RQ5 本手法は、誤検出が最小限に抑えられる高クラスデータセット（例：Yellow Frame（21クラス）およびZ24 Bridge（15クラス））にどの程度一般化可能か？

主な発見

• 静的ベースラインアプローチは、Yellow Frame（21クラス）およびZ24 Bridge（15クラス）の両方のデータセットで誤検出ゼロを達成し、すべての損傷クラスを正常に同定した。
• 動的ベースラインアプローチは、Yellow Frameデータセットの20の異なる損傷状態を検出できたが、$V_L$ 値が10、20、40のそれぞれで、誤検出は3件、1件、2件にとどまった。
• モンテカルロヒストグラムサンプリングによる信頼性ベースの閾値チューニングのおかげで、$V_L$ というユーザー定義パラメータに依存しないことが確認され、頑健性が裏付けられた。
• 本フレームワークは、異なる損傷タイプ（例：ピラーの沈下、 tendons の破断）を正常に検出できたが、同じ損傷タイプの異なる強度は区別できなかった。これは、類似したFFT応答が原因であると推測される。
• 半スペクトルFFTを用いた単純な特徴抽出法により、再トレーニングなしに新しい構造物へ直接適用可能であり、スマートシティインfraストラクチャーネットワークへのスケーラビリティを支援した。
• GANのマルチアンサンブルと1-CGモデルの組み合わせにより、多様な構造的応答における複雑な正常挙動を効果的に捉え、リアルタイムでの異常検出を信頼性高く実現した。