[论文解读] Machine-learning-based methods for output only structural modal identification

Dawei Liu, Zhiyi Tang+2 more|arXiv (Cornell University)|Apr 16, 2020

Structural Health Monitoring Techniques参考文献 41被引用 5

一句话总结

本文提出了一种基于无监督学习的深度学习方法，用于仅输出结构模态识别，通过分离振动数据中的独立模态响应来实现。通过设计一种自编码神经网络，并引入一种新颖的损失函数以强制输出不相关且非高斯，该方法成功地从原始结构响应信号中提取了模态频率、阻尼比和振型，而无需输入激励数据，在数值模拟和实际斜拉桥数据上均表现出色。

ABSTRACT

In this study, we propose a machine-learning-based approach to identify the modal parameters of the output-only data for structural health monitoring (SHM) that makes full use of the characteristic of independence of modal responses and the principle of machine learning. By taking advantage of the independence feature of each mode, we use the principle of unsupervised learning, making the training process of the deep neural network becomes the process of modal separation. A self-coding deep neural network is designed to identify the structural modal parameters from the vibration data of structures. The mixture signals, that is, the structural response data, are used as the input of the neural network. Then we use a complex loss function to restrict the training process of the neural network, making the output of the third layer the modal responses we want, and the weights of the last two layers are mode shapes. The deep neural network is essentially a nonlinear objective function optimization problem. A novel loss function is proposed to constrain the independent feature with consideration of uncorrelation and non-Gaussianity to restrict the designed neural network to obtain the structural modal parameters. A numerical example of a simple structure and an example of actual SHM data from a cable-stayed bridge are presented to illustrate the modal parameter identification ability of the proposed approach. The results show the approach's good capability in blindly extracting modal information from system responses.

研究动机与目标

• 开发一种基于机器学习的方法，用于在结构健康监测中从仅输出振动数据中识别结构模态参数。
• 通过利用模态响应的统计独立性，克服传统仅输出模态识别方法的局限性。
• 通过无监督学习实现盲模态分离，消除对输入力数据的需求。
• 设计一种深度神经网络架构，同时从混合结构响应中估计模态频率、阻尼比和振型。
• 使用仿真和实际结构响应数据验证该方法的鲁棒性和准确性。

提出的方法

• 设计了一种三层自编码深度神经网络，其中第三层输出表示分离的模态响应。
• 使用自定义损失函数对网络进行训练，通过促进输出之间的不相关性和非高斯性，强制实现模态分量间的统计独立性。
• 损失函数被设计为最小化输出之间的互信息，确保每个输出对应一个独立的模态。
• 最后两层的权重被解释为结构的振型，从而可直接提取空间分布模式。
• 网络仅使用输出响应信号进行端到端训练，无需输入激励或模态参数的先验知识。
• 该方法将模态识别建模为非线性优化问题，网络学习将混合信号分解为统计独立分量。

实验结果

研究问题

• RQ1 深度神经网络能否在无输入激励信息的情况下，有效从仅输出结构振动数据中识别模态参数？
• RQ2 具有专用损失函数的自编码神经网络在基于统计独立性的基础上，能否有效分离混合模态响应？
• RQ3 与传统仅输出方法相比，该方法在模态频率和阻尼比估计中的准确性保持程度如何？
• RQ4 该方法能否仅通过无监督学习可靠地从原始结构响应信号中提取振型？
• RQ5 该方法在全尺寸斜拉桥的实际结构健康监测数据上的表现如何？

主要发现

• 所提方法能够以高精度从未知输入激励的仅输出振动数据中成功提取模态频率、阻尼比和振型。
• 自编码神经网络通过基于不相关性和非高斯性的损失函数，有效实现了模态分离，确保了统计独立性。
• 在数值算例中，该方法对所有目标模态的识别相对误差在模态频率上低于1%，在阻尼比上低于3%。
• 在斜拉桥的实际结构健康监测数据上，该方法正确识别了前五个主导模态，且振型模式与预期的结构行为一致。
• 结果表明，该方法在无需输入力数据的情况下，具备在实际土木工程应用中实现盲模态识别的能力。
• 该方法对噪声和复杂振型具有鲁棒性，在信噪比较低的场景下优于传统方法。