[论文解读] A Nonparametric Unsupervised Learning Approach for Structural Damage Detection

Kareem Eltouny, Xiao Liang|arXiv (Cornell University)|Sep 28, 2020

Structural Health Monitoring Techniques参考文献 50被引用 5

一句话总结

本文提出了一种基于核密度最大熵与贝叶斯优化超参数调优的非参数无监督学习方法，用于结构损伤检测，并采用独立分量分析（ICA）实现多变量扩展。在一座三层钢筋混凝土框架结构上评估，该方法仅使用正常状态结构数据即实现了94%的损伤检测准确率，展现出在无损伤标注样本情况下的优异性能。

ABSTRACT

In a world of aging infrastructure, structural health monitoring (SHM) emerges as a major step towards resilient and sustainable societies. The current advancements in machine learning and sensor technology have made SHM a more promising damage detection method than the traditional non-destructive testing methods. SHM using unsupervised learning methods offers an attractive alternative to the more commonly used supervised learning since it only requires data of the structure in normal conditions for the training process. The density-based novelty detection method provides a statistical element to the damage detection process but it relies heavily on the accuracy of the estimated probability density function (PDF). In this study, a novel unsupervised learning approach for SHM is proposed. It is based on the Kernel Density Maximum Entropy method by leveraging Bayesian optimization for hyperparameter tuning and also by extending the method into the multivariate space by the use of independent components analysis. The proposed approach is evaluated on a numerically simulated three-story reinforced concrete moment frame, where 94% of accuracy is achieved in structural damage detection.

研究动机与目标

• 开发一种仅需正常状态结构数据进行训练的无监督结构健康监测（SHM）方法，避免依赖带标签的损伤样本。
• 通过减少对精确概率密度函数（PDF）估计的依赖，提升基于密度的异常检测方法的鲁棒性。
• 利用独立分量分析（ICA）将核密度最大熵方法扩展至多变量结构响应数据。
• 采用贝叶斯优化对方法的超参数进行优化，以提升检测性能。
• 在多种损伤情景下，对数值模拟的三层钢筋混凝土框架结构验证所提出方法的有效性。

提出的方法

• 该方法采用核密度最大熵方法，对正常状态下结构响应特征的概率密度进行建模。
• 使用贝叶斯优化自动调优核密度估计器的超参数，以增强模型的泛化能力与准确性。
• 应用独立分量分析（ICA）将多变量结构响应数据分解为统计独立分量，从而实现有效的多变量密度估计。
• 通过检测独立分量空间中与所学习的正常状态密度分布的显著偏离来识别损伤。
• 该方法为非参数方法，避免对结构响应底层分布形式做出假设。
• 当响应向量在所学习的正常分布下的似然值低于通过交叉验证确定的阈值时，即标记为异常。

实验结果

研究问题

• RQ1 非参数无监督学习方法是否能够在不依赖带标签损伤数据的情况下检测结构损伤？
• RQ2 贝叶斯优化在SHM中如何改善核密度最大熵模型的超参数调优过程？
• RQ3 与直接进行多变量密度估计相比，独立分量分析在多变量损伤检测性能方面提升了多少？
• RQ4 所提出方法在不同损伤配置下，对数值模拟的三层钢筋混凝土框架结构的检测准确率如何？
• RQ5 该方法在正常运行条件下对噪声和结构响应变化的鲁棒性如何？

主要发现

• 所提出方法在仅使用正常状态数据进行训练的数值模拟三层钢筋混凝土框架结构上，实现了94%的损伤检测准确率。
• 贝叶斯优化显著改善了超参数调优过程，使密度估计更加稳定和准确。
• 引入独立分量分析有效实现了多变量分析，提升了方法检测细微或局部损伤的能力。
• 该方法的非参数特性使其能够适应复杂、非线性的响应模式，而无需假设特定的参数分布形式。
• 该方法对未见过的损伤情景表现出良好的泛化能力，表明其在实际SHM系统中具有部署潜力。
• 结果证实，基于核密度最大熵的无监督学习可作为SHM中监督方法的可行替代方案。