[论文解读] Application of 2-D Convolutional Neural Networks for Damage Detection in Steel Frame Structures

Shahin Ghazvineh, Gholamreza Nouri+3 more|arXiv (Cornell University)|Oct 29, 2021

Structural Health Monitoring Techniques参考文献 41被引用 4

一句话总结

本文提出了一种轻量级二维卷积神经网络（2-D CNN）框架，可直接处理钢框架结构的原始加速度信号，以实现高精度、低延迟的损伤检测。通过为特定结构构件优化单个CNN并减少训练数据需求，该方法在卡塔尔大学大礼堂模拟器基准数据集上实现了卓越的分类性能和实时可行性。

ABSTRACT

In this paper, we present an application of 2-D convolutional neural networks (2-D CNNs) designed to perform both feature extraction and classification stages as a single organism to solve the highlighted problems. The method uses a network of lighted CNNs instead of deep and takes raw acceleration signals as input. Using lighted CNNs, in which every one of them is optimized for a specific element, increases the accuracy and makes the network faster to perform. Also, a new framework is proposed for decreasing the data required in the training phase. We verified our method on Qatar University Grandstand Simulator (QUGS) benchmark data provided by Structural Dynamics Team. The results showed improved accuracy over other methods, and running time was adequate for real-time applications.

研究动机与目标

• 开发一种基于原始振动数据的实时、高精度钢框架结构损伤检测系统。
• 减少在结构健康监测中训练深度学习模型的数据需求。
• 通过为每个结构构件使用专用的轻量级2-D CNN，提升模型效率与准确率。
• 将特征提取与分类整合到单一端到端学习框架中。
• 在真实世界基准数据集（QUGS）上验证该方法，以评估其实际适用性。

提出的方法

• 该方法采用一组轻量级2-D CNN，每个网络针对特定结构构件进行优化，以直接处理原始加速度信号。
• 输入信号被转换为二维表示形式（例如，频 spectrogram 或时频图），以支持空间卷积操作。
• 每个CNN均采用端到端方式训练，实现单一模型架构中的特征提取与分类。
• 提出一种新框架，在不损害性能的前提下显著减少所需训练数据量。
• 网络设计强调计算效率，以支持在结构监测系统中实现实时部署。
• 该方法在卡塔尔大学大礼堂模拟器（QUGS）数据集上进行评估，该数据集是结构动力学领域的标准基准。

实验结果

研究问题

• RQ1 轻量级2-D CNN框架能否利用钢框架的原始加速度信号实现高精度损伤检测？
• RQ2 与现有深度学习方法相比，该方法在准确率和推理速度方面表现如何？
• RQ3 在保持模型性能的前提下，训练数据需求可减少到何种程度？
• RQ4 使用针对构件的专用CNN是否能提升检测准确率与模型效率？
• RQ5 所提出的方法是否适用于实时结构健康监测应用？

主要发现

• 所提出的2-D CNN框架在QUGS基准数据集上的分类准确率高于现有方法。
• 该模型表现出极低的推理延迟，适用于结构健康监测中的实时损伤检测。
• 为每个结构构件使用专用的轻量级CNN显著提升了准确率与计算效率。
• 与传统深度学习方法相比，该框架显著减少了所需训练数据量。
• 端到端学习架构成功实现了无需人工工程的特征提取与分类整合。
• 该方法在检测准确率与处理速度方面均优于基线模型，验证了其实际可行性。