[论文解读] Deep generative models for unsupervised delamination detection using guided waves

Mahindra Rautela, Amin Maghareh+2 more|arXiv (Cornell University)|Aug 10, 2023

Ultrasonics and Acoustic Wave PropagationEngineering被引用 3

一句话总结

本文提出一种单类变分自编码器（VAE），用于利用超声导波对复合航空航天结构进行无监督分层检测。通过将基线信号经连续小波变换（CWT）转换为时频表示后进行训练，该模型学习正常信号的分布，并将分层检测为分布外异常，基于公开基准数据集在99百分位误差阈值下实现了高精度。

ABSTRACT

With the rising demands for robust structural health monitoring procedures for aerospace structures, the scope of intelligent algorithms and learning techniques is expanding. Supervised algorithms have shown promising results in the field provided a large, balanced, and labeled amount of data for training. For some applications like aerospace, the data collection process is cumbersome, time-taking, and costly. Also, generating possible damage scenarios in a laboratory setup is challenging because of the complexity of the damage initiation and failure mechanism. Besides this, the uncertainties of the real-time operation restrict the online prediction accuracy with supervised learning. In this paper, deep generative models are proposed for unsupervised delamination prediction as an anomaly detection problem. In this one-class-based model, the deep learning network is trained to learn the distribution of baseline signals. In the testing phase, damage signals and unseen baseline signals are fed into the trained network to predict the state of the structure, i.e., healthy or unhealthy (delamination). It is seen that the proposed method can successfully predict the delamination with high accuracy.

研究动机与目标

• 解决航空航天结构健康监测中受限、昂贵且不平衡的标注数据问题。
• 开发一种基于深度生成模型的无监督异常检测框架，用于分层检测。
• 实现在监督学习不可行的安全关键型航空航天应用中在线、实时的健康监测。
• 利用导波信号的时频表示以提高检测鲁棒性。
• 证明单类VAE在无需损伤标注训练数据的情况下，有效区分健康状态与分层状态的能力。

提出的方法

• 仅使用基线（健康）导波信号对单类VAE进行训练，以学习其潜在分布。
• 通过连续小波变换（CWT）将原始的一维时间序列导波信号转换为二维时频表示。
• 采用具有卷积编码器和解码器、二维潜在空间以及重参数化技巧的VAE，实现端到端训练。
• 使用结合了均方重建误差与后验分布和先验分布之间KL散度的损失函数进行网络优化。
• 将检测阈值设定为训练集的99百分位数和最大误差，以将未见信号分类为健康或分层状态。
• 通过可视化潜在空间和重建误差，验证健康与异常信号分布之间的分离性。

实验结果

研究问题

• RQ1 单类VAE能否有效学习复合板基线导波信号的分布？
• RQ2 在无任何损伤标注数据的情况下，训练好的VAE能否有效检测分层作为分布外异常？
• RQ3 与直接使用原始信号相比，通过CWT获得的时频表示是否能提升检测性能？
• RQ4 在最小化假阳性和假阴性方面，阈值选择策略（如99百分位数与最大误差）的最优性如何？
• RQ5 在学习的嵌入空间中，健康与分层信号的潜在空间表征在多大程度上可分离？

主要发现

• 单类VAE在将分层检测为分布外信号方面实现了高分类准确率，其中99百分位数误差阈值优于最大误差阈值。
• 通过CWT获得的时频表示显著提升了检测性能，相较于直接使用原始导波信号。
• 潜在空间显示出健康与分层信号簇之间清晰的分离，表明模型具备有效的特征学习能力。
• 分层信号的重建误差显著高于健康信号，证实了模型检测异常的能力。
• 即使在标注数据有限的情况下，模型仍表现出对未见基线信号与损伤信号的鲁棒区分能力。
• 由于其低假阳性率和无监督特性，该框架适用于安全关键型航空航天应用。