[논문 리뷰] Machine-learning-based methods for output only structural modal identification

Dawei Liu, Zhiyi Tang외 2명|arXiv (Cornell University)|2020. 04. 16.

Structural Health Monitoring Techniques참고 문헌 41인용 수 5

한 줄 요약

이 논문은 입력 자극 데이터가 필요 없이 진동 데이터에서 독립적인 모드 응답을 분리하기 위해 비지도 학습을 활용한 딥러닝 접근법을 제안한다. 독립적인 모드 응답을 강제로 만드는 새로운 손실 함수를 갖춘 자기부호화 신경망을 설계함으로써, 원시 구조 응답 신호에서 고유진동수, 감쇠비율, 진동형상 등을 성공적으로 추출하였다. 이는 수치적 모의 및 실제 cable-stayed 브리지 데이터 모두에서 뛰어난 성능을 보였다.

ABSTRACT

In this study, we propose a machine-learning-based approach to identify the modal parameters of the output-only data for structural health monitoring (SHM) that makes full use of the characteristic of independence of modal responses and the principle of machine learning. By taking advantage of the independence feature of each mode, we use the principle of unsupervised learning, making the training process of the deep neural network becomes the process of modal separation. A self-coding deep neural network is designed to identify the structural modal parameters from the vibration data of structures. The mixture signals, that is, the structural response data, are used as the input of the neural network. Then we use a complex loss function to restrict the training process of the neural network, making the output of the third layer the modal responses we want, and the weights of the last two layers are mode shapes. The deep neural network is essentially a nonlinear objective function optimization problem. A novel loss function is proposed to constrain the independent feature with consideration of uncorrelation and non-Gaussianity to restrict the designed neural network to obtain the structural modal parameters. A numerical example of a simple structure and an example of actual SHM data from a cable-stayed bridge are presented to illustrate the modal parameter identification ability of the proposed approach. The results show the approach's good capability in blindly extracting modal information from system responses.

연구 동기 및 목표

• 구조물 건강 모니터링에서 입력 전용 진동 데이터로부터 구조 모드 파rameters를 식별하기 위한 기계학습 기반 방법을 개발하는 것.
• 모드 응답의 독립성을 활용하여 기존의 출력 전용 모드 식별 기법의 한계를 극복하는 것.
• 비지도 학습을 통해 블라인드 모드 분리를 실현함으로써 입력 힘 데이터가 필요 없도록 하는 것.
• 혼합된 구조 응답에서 동시에 고유진동수, 감쇠비율, 진동형상을 추정할 수 있는 딥 신경망 아키텍처를 설계하는 것.
• 모의 및 실제 구조 응답 데이터를 사용하여 방법의 강인성과 정확도를 검증하는 것.

제안 방법

• 세 개의 레이어로 구성된 자기부호화 딥 신경망을 설계하였으며, 세 번째 레이어의 출력은 분리된 모드 응답을 나타낸다.
• 모드 성분 간의 통계적 독립성을 강제하기 위해 상관성이 없고 비정규분포임을 보장하는 커스터마이징된 손실 함수를 사용하여 네트워크를 훈련시킨다.
• 손실 함수는 출력 간 상호정보를 최소화하도록 구성되어 있어, 각 출력이 별개의 모드에 대응함을 보장한다.
• 마지막 두 레이어의 가중치는 진동형상으로 해석되어 공간 분포 패턴을 직접 추출할 수 있다.
• 입력 자극 또는 모드 파rameters에 대한 사전 지식 없이, 오직 출력 응답 신호만을 사용하여 네트워크를 종합적으로 훈련시킨다.
• 네트워크는 혼합된 신호를 통계적으로 독립적인 성분으로 분해하는 방식으로 모드 식별 문제를 비선형 최적화 문제로 설정한다.

실험 결과

연구 질문

• RQ1 입력 자극 정보 없이도 딥 신경망이 출력 전용 구조 진동 데이터로부터 모드 파arameters를 효과적으로 식별할 수 있는가?
• RQ2 특화된 손실 함수를 갖춘 자기부호화 신경망이 통계적 독립성을 기반으로 혼합된 모드 응답을 얼마나 잘 분리할 수 있는가?
• RQ3 기존의 출력 전용 방법과 비교해 볼 때, 제안된 방법이 고유진동수 및 감쇠비율 추정에서 정확도를 얼마나 잘 유지하는가?
• RQ4 비지도 학습만을 사용하여 원시 구조 응답 신호에서 진동형상을 신뢰성 있게 추출할 수 있는가?
• RQ5 실제 전단 브리지의 구조 건강 모니터링 데이터에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 입력 전용 진동 데이터에서 고유진동수, 감쇠비율, 진동형상을 높은 정확도로 추출하였다.
• 자기부호화 신경망은 상관성이 없고 비정규분포임을 보장하는 손실 함수를 통해 통계적 독립성을 강제함으로써 효과적인 모드 분리를 달성하였다.
• 수치적 모의 사례에서, 모든 목표 모드를 상대 오차가 고유진동수 기준 1% 이내, 감쇠비율 기준 3% 이내로 정확하게 식별하였다.
• 실제 cable-stayed 브리지의 SHM 데이터에서 첫 다섯 개의 주요 모드를 정확히 식별하였으며, 기대되는 구조적 거동과 일치하는 일관된 진동형상 패턴을 보였다.
• 결과는 입력 힘 데이터가 필요 없이 실용적인 토목 공학 응용 분야에서 블라인드 모드 식별이 가능하다는 것을 입증하였다.
• 이 방법은 노이즈에 강건하며, 복잡한 진동형상에 대해서도 기존 방법보다 우수한 성능을 보였으며, 저신호 대비 노이즈 비율 조건에서도 뛰어난 성능을 발휘하였다.