[논문 리뷰] Fully convolutional networks for structural health monitoring through multivariate time series classification

Luca Rosafalco, Andrea Manzoni외 2명|arXiv (Cornell University)|2020. 02. 12.

Structural Health Monitoring Techniques참고 문헌 41인용 수 54

한 줄 요약

이 논문은 SHM에서 다변량 시계열로 손상을 탐지하고 로컬라이즈하기 위해 완전 합성곱 신경망(FCN)을 이용하는 시뮬레이션 기반 분류 접근법을 제시하며, 물리 기반 디지털 트윈으로 오프라인 학습하고 최대 95%의 정확한 손상 분류를 달성합니다.

ABSTRACT

We propose a novel approach to Structural Health Monitoring (SHM), aiming at the automatic identification of damage-sensitive features from data acquired through pervasive sensor systems. Damage detection and localization are formulated as classification problems, and tackled through Fully Convolutional Networks (FCNs). A supervised training of the proposed network architecture is performed on data extracted from numerical simulations of a physics-based model (playing the role of digital twin of the structure to be monitored) accounting for different damage scenarios. By relying on this simplified model of the structure, several load conditions are considered during the training phase of the FCN, whose architecture has been designed to deal with time series of different length. The training of the neural network is done before the monitoring system starts operating, thus enabling a real time damage classification. The numerical performances of the proposed strategy are assessed on a numerical benchmark case consisting of an eight-story shear building subjected to two load types, one of which modeling random vibrations due to low-energy seismicity. Measurement noise has been added to the responses of the structure to mimic the outputs of a real monitoring system. Extremely good classification capacities are shown: among the nine possible alternatives (represented by the healthy state and by a damage at any floor), damage is correctly classified in up to 95% of cases, thus showing the strong potential of the proposed approach in view of the application to real-life cases.

연구 동기 및 목표

• 건전 상태와 손상 상태를 구조건전성 모니터링에서 분류 문제로 구성하는 것.
• 다양한 길이의 다변량 시계열을 처리할 수 있는 FCN 기반 아키텍처 개발.
• 다양한 하중 하에서 손상 시나리오를 시뮬레이션하기 위해 물리 기반 디지털 트윈을 사용하여 오프라인으로 학습.
• 학습된 FCN을 사용한 온라인 모니터링 중 실시간 손상 분류 가능하게 하길.

제안 방법

• 분류를 위해 전용 합성곱 블록 3개, 배치 정규화, ReLU, 그리고 최종 분류를 위한 소프트맥스 앞의 글로벌 풀링을 갖춘 완전 합성곱 네트워크를 사용.
• 별도 합성곱 가지 분기를 사용하고 특징을 연결층(concatenation layer)을 통해 융합하여 여러 데이터 원천을 처리.
• 두 개의 분류기를 학습: G_d는 손상 탐지(정상 vs 손상)용, G_l은 손상 위치 로컬라이제이션(층별 손상 및 무손상 상태)용.
• 추가 센서 노이즈를 포함한 간소화된 물리 기반 구조 모델에서 학습, 검증, 테스트 데이터세트 구성.
• 가변 길이 시계열을 허용하기 위해 W개의 다변량 시리즈를 생성하고 최종 분류 전에 데이터 융합 적용.
• Adam으로 교차 엔트로피 손실 최적화, 학습률 스케줄링 및 조기 중지 기준 포함.

실험 결과

연구 질문

• RQ1 다변량 시계열에서 다양한 하중 조건 하에도 FCN이 정상 상태와 손상 상태를 신뢰성 있게 구분할 수 있는가?
• RQ2 FCN 기반 접근 방식이 구조물 내 특정 층의 손상을 로컬라이즈할 수 있는가?
• RQ3 측정 노이즈와 서로 다른 시계열 길이에 대해 방법은 얼마나 견고한가?
• RQ4 오프라인에서 학습된 모델이 온라인 모니터링에서 보지 못한 하중 시나리오에 일반화될 수 있는가?

주요 결과

• 손상 분류 정확도가 9가지 가능한 상태(정상 또는 어떤 층의 손상)에서 최대 95%에 도달.
• FCN 아키텍처는 분리된 가지와 융합을 통해 서로 다른 길이의 다변량 시계열을 효과적으로 처리.
• 수치 벤치마크(8층 강하 빌딩)에서 노이즈 증강 데이터 하에서 매우 우수한 분류 성능 입증.
• 오프라인 학습은 디지털 트윈을 사용하여 다양한 손상 및 하중 시나리오를 생성하여 배포 후 실시간 온라인 분류 가능.
• 이 접근은 FCN을 활용하여 판별 가능 특징을 자동으로 추출하므로 엔지니어링된 특징 설계의 필요성을 줄임.