[논문 리뷰] Lost Vibration Test Data Recovery Using Convolutional Neural Network: A Case Study

Pouya Moeinifard, Mohammad Sadra Rajabi외 1명|arXiv (Cornell University)|2022. 04. 11.

Infrastructure Maintenance and Monitoring인용 수 9

한 줄 요약

이 논문은 손상된 센서에서 누락된 데이터를 복구하기 위해 구조물 건강 모니터링(SHM) 시스템에서 기능하는 센서 간 상관관계를 활용하여, 컨볼루션 신경망(CNN) 기반 방법을 제안한다. 이 방법은 표준 신경망보다 더 높은 정확도와 낮은 계산 비용을 달성하며, 컨볼루션 계층을 추가할수록 성능이 향상된다.

ABSTRACT

Data loss in Structural Health Monitoring (SHM) networks has recently become one of the main challenges for engineers. Therefore, a data recovery method for SHM, generally an expensive procedure, is essential. Lately, some techniques offered to recover this valuable raw data using Neural Network (NN) algorithms. Among them, the convolutional neural network (CNN) based on convolution, a mathematical operation, can be applied to non-image datasets such as signals to extract important features without human supervision. However, the effect of different parameters has not been studied and optimized for SHM applications. Therefore, this paper aims to propose different architectures and investigate the effects of different hyperparameters for one of the newest proposed methods, which is based on a CNN algorithm for the Alamosa Canyon Bridge as a real structure. For this purpose, three different CNN models were considered to predict one and two malfunctioned sensors by finding the correlation between other sensors, respectively. Then the CNN algorithm was trained by experimental data, and the results showed that the method had a reliable performance in predicting Alamosa Canyon Bridge's missed data. The accuracy of the model was increased by adding a convolutional layer. Also, a standard neural network with two hidden layers was trained with the same inputs and outputs of the CNN models. Based on the results, the CNN model had higher accuracy, lower computational cost, and was faster than the standard neural network.

연구 동기 및 목표

• 구조물 건강 모니터링(SHM) 네트워크에서 발생하는 데이터 손실 증가 문제를 다루며, 이는 구조물 평가 및 유지보수에 악영향을 미친다.
• 기계 학습, 특히 컨볼루션 신경망(CNN)을 활용해 고비용의 SHM 데이터 복구 방법을 개발한다.
• 신호 기반 데이터 복구를 중심으로, 영상 처리가 아닌 SHM 응용 분야에 적합한 CNN 하이퍼파rameter 및 아키텍처를 최적화한다.
• 표준 피드포워드 신경망과 비교하여 CNN의 누락된 센서 데이터 복원 성능을 평가한다.
• 실제 실험 데이터를 기반으로 알라모사 캐년 브리지에서의 CNN 기반 데이터 복구의 실현 가능성과 효과성을 입증한다.

제안 방법

• 기능하는 센서에서 얻은 상관관계 있는 신호를 활용해, 고장난 센서 1개 또는 2개의 데이터를 예측하기 위한 세 가지 별도의 CNN 아키텍처를 설계한다.
• 알라모사 캐년 브리지에서 수집한 실제 실험 진동 데이터를 사용해 CNN 모델을 훈련시킨다.
• 수동적인 특징 공학 없이도 시간 시리즈 센서 데이터에서 시간적 및 공간적 특징을 추출하기 위해 컨볼루션 계층을 적용한다.
• 성능 비교를 위한 기준으로 표준 두 은닉층 피드포워드 신경망을 사용한다.
• 컨볼루션 계층 수와 필터 크기와 같은 하이퍼파rameter를 조정하여 모델 성능을 최적화한다.
• 예측 정확도 및 계산 효율성과 같은 지표를 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기능하는 센서 간 상관관계를 활용해 CNN 기반 모델이 SHM 시스템에서 손실된 진동 데이터를 효과적으로 복구할 수 있는가?
• RQ2 다양한 CNN 아키텍처와 하이퍼파ram터(예: 컨볼루션 계층 수)는 데이터 복구 정확도에 어떤 영향을 미치는가?
• RQ3 SHM 데이터 복구에서 CNN 접근 방식이 예측 정확도와 계산 효율성 측면에서 전통적인 피드포워드 신경망을 능가하는가?
• RQ4 컨볼루션 계층을 추가할수록 모델이 누락된 센서 신호를 재구성하는 능력이 얼마나 향상되는가?
• RQ5 이러한 방법은 브리지와 같은 도시 인프라의 실제 SHM 데이터에 대해 강건하고 일반화 가능한가?

주요 결과

• CNN 기반 방법은 손실된 진동 데이터 복구에서 표준 두 은닉층 신경망보다 더 높은 예측 정확도를 달성했다.
• 추가적인 컨볼루션 계층을 도입함으로써 모델의 신호 재구성 정확도가 크게 향상되었다.
• 표준 신경망 대비 낮은 계산 비용과 더 빠른 추론 시간을 보였다.
• 기타 센서 간 시간적 및 공간적 상관관계를 활용해 고장난 센서 1개 또는 2개의 데이터를 성공적으로 복구했다.
• 결과적으로 CNN가 SHM에서 비영상 신호 데이터에 매우 적합하며, 자동화된 저감독 특징 추출을 가능하게 한다.
• 실제 도로 인프라 모니터링에의 실용적 적용 가능성이 입증되었으며, 알라모사 캐년 브리지의 실험 데이터를 통해 검증되었다.