[논문 리뷰] Structural Damage Identification Using Artificial Neural Network and Synthetic data

Divya Shyam Singha, G. B. L. Chowdarya외 1명|arXiv (Cornell University)|2017. 03. 27.

Structural Health Monitoring Techniques인용 수 7

한 줄 요약

이 논문은 합성 및 실험적 주파수 응답 함수(FRF) 데이터로 훈련된 인공 신경망(ANN)을 사용하여 실시간 구조적 손상 식별 방법을 제안한다. 주요 성분 분석(PCA)을 적용하여 데이터 차원을 감소시키고 노이즈를 줄임으로써, 고정된 판 구조에서 균열, 리벳 구멍 팽창, 추가 질량의 손상 유형을 높은 정확도와 강건성으로 정확히 국소화하고 심각도를 예측한다.

ABSTRACT

This paper presents real-time vibration based identification technique using measured frequency response functions(FRFs) under random vibration loading. Artificial Neural Networks (ANNs) are trained to map damage fingerprints to damage characteristic parameters. Principal component statistical analysis(PCA) technique was used to tackle the problem of high dimensionality and high noise of data, which is common for industrial structures. The present study considers Crack, Rivet hole expansion and redundant uniform mass as damages on the structure. Frequency response function data after being reduced in size using PCA is fed to individual neural networks to localize and predict the severity of damage on the structure. The system of ANNs trained with both numerical and experimental model data to make the system reliable and robust. The methodology is applied to a numerical model of stiffened panel structure, where damages are confined close to the stiffener. The results showed that, in all the cases considered, it is possible to localize and predict severity of the damage occurrence with very good accuracy and reliability.

연구 동기 및 목표

• 랜덤 외력 하에서 주파수 응답 함수(FRF)를 기반으로 한 실시간 진동 기반 구조 손상 식별 기술을 개발하기 위해.
• 산업 구조에서 흔히 발생하는 고차원적이고 노이즈가 많은 데이터 문제를 주요 성분 분석(PCA)을 통한 차원 축소로 해결하기 위해.
• 수치적 및 실험적 데이터를 모두 활용하여 인공 신경망(ANN)을 훈련시켜 시스템의 신뢰성과 강건성을 향상시키기 위해.
• 균열, 리벳 구멍 팽창, 균일 질량 추가와 같은 세 가지 유형의 손상을 국소화하고 심각도를 예측하기 위해.
• 손상이 빔에 가까이 국소화된 강화판 구조에서 방법론을 검증하기 위해.

제안 방법

• 고노이즈, 고차원의 FRF 데이터의 차원을 감소시키기 위해 주요 성분 분석(PCA)을 적용하여 손상 관련 핵심 특징을 유지한다.
• 차원이 감소한 FRF 데이터를 손상 특성 파rameter(예: 위치 및 심각도)로 매핑하기 위해 인공 신경망(ANN)을 훈련한다.
• 일반화 및 강건성을 향상시키기 위해 수치 시뮬레이션과 실험 데이터를 조합한 하이브리드 데이터셋을 사용해 ANN 시스템을 훈련한다.
• 각 ANN은 사전 처리된 FRF 데이터를 기반으로 특정 유형의 손상(균열, 리벳 구멍, 추가 질량)을 탐지하고 정량화하도록 전문화된다.
• 실시간 손상 평가를 가능하게 하기 위해 랜덤 진동 하중 하에서의 FRF 측정치를 입력으로 사용한다.
• 손상이 빔 주변에 국소화된 강화판의 유한요소 모델에서 접근 방식을 검증한다.

실험 결과

연구 질문

• RQ1 합성 및 실험적 FRF 데이터로 훈련된 인공 신경망이 실시간으로 구조적 손상을 정확하게 식별할 수 있는가?
• RQ2 PCA는 고차원적이고 노이즈가 많은 FRF 데이터를 효과적으로 차원 축소하면서도 손상 민감한 특징을 유지할 수 있는가?
• RQ3 수치적 및 실험적 데이터를 모두 활용한 하이브리드 훈련 접근 방식이 손상 식별 시스템의 강건성과 신뢰성에 얼마나 기여하는가?
• RQ4 제안된 방법은 균열, 리벳 구멍 팽창, 추가 질량과 같은 다수의 손상 유형을 동시에 고정밀도로 국소화하고 정량화할 수 있는가?
• RQ5 손상이 일반적인 산업 환경에서 흔히 발생하는 구조적 빔 근처에 국소화된 경우 시스템 성능은 어떠한가?

주요 결과

• 제안된 방법은 균열, 리벳 구멍 팽창, 추가 질량의 세 가지 손상 유형을 모두 고정밀도로 국소화하고 심각도를 정확히 예측하였다.
• PCA는 FRF 데이터의 차원을 효과적으로 감소시켜 노이즈를 크게 줄였고, 신경망 분류기의 성능을 향상시켰다.
• 수치적 및 실험적 데이터를 모두 활용한 하이브리드 훈련 접근 방식은 ANN 시스템의 강건성과 일반화 능력을 향상시켰다.
• 측정 노이즈와 데이터 변동성 존재하에서도 시스템은 신뢰할 수 있는 손상 식별을 수행하였다.
• 모든 손상 시나리오에서 일관된 성능을 보였으며, 합성 데이터를 활용한 실시간 구조 건강 모니터링의 가능성을 확인하였다.