[论文解读] Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach

Zhiming Zhang, Jin Yan+3 more|arXiv (Cornell University)|Jan 11, 2021

Structural Health Monitoring Techniques参考文献 34被引用 6

一句话总结

本研究提出一种基于深度学习的时间序列分类（TSC）方法，采用LSTM-FCN模型，通过分析缆索张力数据检测斜拉桥中锚固缆索的损伤。通过在完整缆索张力模式上进行训练，并在新数据上识别最低分类准确率，该方法以高置信度成功定位了断裂缆索（SJS11），相较于传统方法，仅需极少的预处理和特征工程。

ABSTRACT

This study proposes a data-driven method that detects cable damage from measured cable forces by recognizing biased patterns from the intact conditions. The proposed method solves the pattern recognition problem for cable damage detection through time series classification (TSC) in deep learning, considering that the cable's behavior can be implicitly represented by the measured cable force series. A deep learning model, long short term memory fully convolutional network (LSTM-FCN), is leveraged by assigning appropriate inputs and representative class labels for the TSC problem, First, a TSC classifier is trained and validated using the data collected under intact conditions of stay cables, setting the segmented data series as input and the cable (or cable pair) ID as class labels. Subsequently, the classifier is tested using the data collected under possible damaged conditions. Finally, the cable or cable pair corresponding to the least classification accuracy is recommended as the most probable damaged cable or cable pair. The proposed method was tested on an in-service cable-stayed bridge with damaged stay cables. Two scenarios in the proposed TSC scheme were investigated: 1) raw time series of cable forces were fed into the classifiers; and 2) cable force ratios were inputted in the classifiers considering the possible variation of force distribution between cable pairs due to cable damage. Combining the results of TSC testing in these two scenarios, the cable with rupture was correctly identified. This study proposes a data-driven methodology for cable damage detection that requires the least data preprocessing and feature engineering, which enables fast and convenient early detection in real applications.

研究动机与目标

• 开发一种数据驱动的方法，用于在最小依赖复杂预处理的情况下，实现对斜拉桥中锚固缆索损伤的早期检测。
• 解决传统基于张力的健康指标难以区分缆索损伤与交通和环境等外部因素影响的挑战。
• 通过利用时间序列分类（TSC）与深度学习，避免人工特征工程，提高损伤检测的准确性。
• 使用实际服役桥梁中已知缆索损伤的真实缆索张力数据验证该方法。
• 对比两种输入表示形式——原始缆索张力与缆索张力比——以确定哪种能提升损伤检测性能。

提出的方法

• 使用在完整状态下采集的缆索张力时间序列，基于缆索ID作为类别标签，对长短期记忆全卷积网络（LSTM-FCN）进行训练。
• 模型首先在无损伤缆索的数据上进行训练和验证，以学习正常行为模式。
• 在场景1中，将原始缆索张力时间序列用作TSC分类器的输入。
• 在场景2中，将成对缆索之间的缆索张力比用作输入，以降低对外部荷载变化的敏感性。
• 在可能处于损伤状态的新数据上计算分类准确率；将准确率最低的缆索或缆索对标记为最可能受损。
• 结合两种场景的结果以提高损伤定位的置信度，最终决策基于两种输入类型的一致性。

实验结果

研究问题

• RQ1 基于深度学习的时间序列分类模型是否能仅使用原始缆索张力数据、在极少预处理下检测斜拉缆索损伤？
• RQ2 与原始张力相比，使用缆索张力比作为输入是否能提高损伤检测的鲁棒性和准确性？
• RQ3 在损伤发生后采集的数据上测试时，TSC模型在不同缆索上的分类准确率如何变化？
• RQ4 当多个缆索表现出异常行为时，该方法是否能可靠识别出发生断裂的具体缆索？
• RQ5 该模型在完整状态数据上的性能在多大程度上能泛化到损伤或异常状态下的数据？

主要发现

• 在场景1中，SJS11的分类准确率显著下降至0.28，SJX10下降至0.25，表明可能存在损伤，而其他缆索的准确率均保持在0.50以上。
• 在场景2中，缆索对SJ11的分类准确率降至0.02，而所有其他缆索对的准确率均保持在0.90以上，强烈表明SJ11受损。
• 在场景2中使用缆索张力比显著提升了整体测试准确率，从场景1的0.56提升至0.75，证明了模型泛化能力与鲁棒性的增强。
• 在场景2中，模型在2011年以前的数据上达到了0.96的高基线准确率，证实了从完整状态中学到的模式具有稳定性。
• 结合两种场景的结果，成功以高置信度识别出SJS11为最可能受损的缆索，与文献研究结果一致。
• 该方法在极少数据预处理和无需特征工程的情况下，成功检测出断裂缆索，实现了实际应用中快速实用的早期预警。