[논문 리뷰] Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach

Zhiming Zhang, Jin Yan외 3명|arXiv (Cornell University)|2021. 01. 11.

Structural Health Monitoring Techniques참고 문헌 34인용 수 6

한 줄 요약

이 연구는 라ange-스틸 브릿지의 스테이 케이블 손상을 분석하기 위해 케이블 힘 데이터를 사용하는 LSTM-FCN 모델 기반의 딥러닝 기반 시계열 분류(TSC) 방법을 제안한다. 건재한 케이블의 힘 패턴을 학습하고 새로운 데이터에서 분류 정확도가 가장 낮은 경우를 분석함으로써, 이 방법은 최소한의 전처리 및 특징 공학을 통해 높은 신뢰도로 손상된 케이블(SJS11)을 정확히 특정하였다. 기존 방법에 비해 뛰어난 성능을 보였다.

ABSTRACT

This study proposes a data-driven method that detects cable damage from measured cable forces by recognizing biased patterns from the intact conditions. The proposed method solves the pattern recognition problem for cable damage detection through time series classification (TSC) in deep learning, considering that the cable's behavior can be implicitly represented by the measured cable force series. A deep learning model, long short term memory fully convolutional network (LSTM-FCN), is leveraged by assigning appropriate inputs and representative class labels for the TSC problem, First, a TSC classifier is trained and validated using the data collected under intact conditions of stay cables, setting the segmented data series as input and the cable (or cable pair) ID as class labels. Subsequently, the classifier is tested using the data collected under possible damaged conditions. Finally, the cable or cable pair corresponding to the least classification accuracy is recommended as the most probable damaged cable or cable pair. The proposed method was tested on an in-service cable-stayed bridge with damaged stay cables. Two scenarios in the proposed TSC scheme were investigated: 1) raw time series of cable forces were fed into the classifiers; and 2) cable force ratios were inputted in the classifiers considering the possible variation of force distribution between cable pairs due to cable damage. Combining the results of TSC testing in these two scenarios, the cable with rupture was correctly identified. This study proposes a data-driven methodology for cable damage detection that requires the least data preprocessing and feature engineering, which enables fast and convenient early detection in real applications.

연구 동기 및 목표

• 복잡한 전처리에 크게 의존하지 않고도 초기 단계에서 스테이 케이블 손상을 탐지할 수 있는 데이터 기반 방법을 개발하기 위해.
• 기존의 힘 기반 건강 지표가 영향을 받는 외부 요인(예: 교통, 기상 조건)과의 구분이 어려운 문제를 해결하기 위해.
• 수동적인 특징 공학을 피하고 시계열 분류(TSC)를 활용하여 손상 탐지 정확도를 향상시키기 위해.
• 실제 운용 중인 브릿지에서 알려진 케이블 손상이 있는 실제 케이블 힘 데이터를 사용하여 방법을 검증하기 위해.
• 원시 케이블 힘과 케이블 힘 비율이라는 두 가지 입력 표현 방식을 비교하여 어느 것이 손상 탐지 성능을 향상시키는지 파악하기 위해.

제안 방법

• 장기 기억 신경망-완전 컨volution 신경망(LSTM-FCN)은 건재한 상태에서 수집된 케이블 힘의 시계열 데이터를 학습하여 케이블 ID를 클래스 레이블로 사용한다.
• 모델은 손상되지 않은 케이블의 데이터를 먼저 학습하고 검증하여 정상적인 행동 패턴을 학습한다.
• 시나리오 1에서는 원시 케이블 힘 시계열 데이터를 TSC 분류기의 입력으로 사용한다.
• 시나리오 2에서는 짝지어진 케이블 간의 힘 비율을 사용하여 외부 하중 변화에 대한 민감도를 낮춘다.
• 손상 가능성 있는 조건에서 수집된 새로운 데이터에 대해 분류 정확도를 계산하고, 정확도가 가장 낮은 케이블 또는 케이블 쌍을 가장 가능성이 손상된 것으로 표시한다.
• 두 시나리오의 결과를 통합하여 손상 위치 식별에 대한 신뢰도를 높이며, 최종 결정은 두 입력 유형 간의 일관성에 기반한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 시계열 분류 모델은 최소한의 전처리로 원시 케이블 힘 데이터만을 사용하여 스테이 케이블 손상을 탐지할 수 있는가?
• RQ2 원시 힘 대비 케이블 힘 비율을 입력으로 사용할 경우, 손상 탐지의 정확도와 내성은 향상되는가?
• RQ3 손상 가능성이 있는 상태에서 수집된 데이터를 사용해 테스트했을 때, 다양한 케이블에서 TSC 모델의 분류 정확도는 어떻게 변하는가?
• RQ4 여러 케이블이 비정상적인 행동을 보일 경우, 제안된 방법이 특정로 끊어진 케이블을 신뢰성 있게 식별할 수 있는가?
• RQ5 모델이 건재한 상태에서의 데이터에서의 성능이 손상되거나 비정상적인 조건에서 수집된 데이터로 일반화되는 정도는 어느 정도인가?

주요 결과

• 시나리오 1에서 SJS11의 분류 정확도는 0.28로 크게 하락하였고, SJX10는 0.25로 나타나 손상 가능성이 있음을 시사하였으며, 다른 케이블들은 모두 0.50 이상의 정확도를 유지하였다.
• 시나리오 2에서 SJ11 쌍의 분류 정확도는 0.02로 하락하였고, 다른 모든 쌍은 0.90 이상의 정확도를 유지하여 SJ11에 손상이 있을 가능성이 높음을 강력히 시사하였다.
• 시나리오 2에서 케이블 힘 비율을 사용함으로써 전체 테스트 정확도가 시나리오 1의 0.56에서 0.75로 향상되어, 모델의 일반화 능력과 내성 향상이 입증되었다.
• 시나리오 2에서 2011년 이전 데이터에 대해 높은 기준 정확도 0.96을 달성하여 건재한 조건에서 학습된 패턴의 안정성을 확인하였다.
• 두 시나리오의 결과를 통합함으로써 SJS11가 가장 가능성이 높은 손상된 케이블로 신뢰성 있게 특정되었으며, 문헌 자료와 일치하는 결과를 도출하였다.
• 이 방법은 최소한의 데이터 전처리와 특징 공학 없이도 끊어진 케이블을 성공적으로 탐지하여, 실용적인 응용에서 신속하고 실용적인 초기 경고 시스템을 가능하게 하였다.