[论文解读] System-reliability based multi-ensemble of GAN and one-class joint Gaussian distributions for unsupervised real-time structural health monitoring

Mohammad Hesam Soleimani‐Babakamali, Reza Sepasdar+2 more|arXiv (Cornell University)|Feb 1, 2021

Structural Health Monitoring Techniques参考文献 28被引用 4

一句话总结

该论文提出了一种新颖的无监督实时结构健康监测（SHM）框架，结合了多集合生成对抗网络（GANs）与一类联合高斯模型，利用低维和高维FFT特征。通过采用基于系统可靠性的蒙特卡洛直方图采样方法来调节检测阈值，该方法实现了鲁棒的、对参数不敏感的新颖性检测，在高类别数据集（如Yellow Frame，21类；Z24 Bridge，15类）上无误报。

ABSTRACT

Unsupervised health monitoring has gained much attention in the last decade as the most practical real-time structural health monitoring (SHM) approach. Among the proposed unsupervised techniques in the literature, there are still obstacles to robust and real-time health monitoring. These barriers include loss of information from dimensionality reduction in feature extraction steps, case-dependency of those steps, lack of a dynamic clustering, and detection results' sensitivity to user-defined parameters. This study introduces an unsupervised real-time SHM method with a mixture of low- and high-dimensional features without a case-dependent extraction scheme. Both features are used to train multi-ensembles of Generative Adversarial Networks (GAN) and one-class joint Gaussian distribution models (1-CG). A novelty detection system of limit-state functions based on GAN and 1-CG models' detection scores is constructed. The Resistance of those limit-state functions (detection thresholds) is tuned to user-defined parameters with the GAN-generated data objects by employing the Monte Carlo histogram sampling through a reliability-based analysis. The tuning makes the method robust to user-defined parameters, which is crucial as there is no rule for selecting those parameters in a real-time SHM. The proposed novelty detection framework is applied to two standard SHM datasets to illustrate its generalizability: Yellow Frame (twenty damage classes) and Z24 Bridge (fifteen damage classes). All different damage categories are identified with low sensitivity to the initial choice of user-defined parameters with both introduced dynamic and static baseline approaches with few or no false alarms.

研究动机与目标

• 解决现有无监督SHM方法的局限性，包括降维导致的信息损失以及对用户定义参数的敏感性。
• 通过使用一种简单且通用的基于FFT的特征提取方法，克服依赖于具体案例的特征提取问题，该方法适用于任何仪器化结构。
• 开发一种动态与静态基线相结合的新颖性检测系统，可在无需预先标注或专家输入的情况下识别多种损伤类别。
• 通过在GAN生成数据上采用蒙特卡洛直方图采样进行系统可靠性分析，集成以确保对用户定义参数的鲁棒性。
• 在真实世界、高类别SHM数据集上展示该框架的泛化能力与可扩展性，且误报率极低。

提出的方法

• 从传感器数据中提取低维（均值、方差）和高维（半谱FFT）特征，无需针对具体案例的预处理。
• 在高维FFT特征上训练多集合生成对抗网络（GANs），以建模正常结构行为。
• 在低维特征上训练一类联合高斯（1-CG）模型，以捕捉基线统计分布。
• 通过极限状态函数构建新颖性检测系统，将GAN和1-CG模型的检测得分视为“荷载”，将阈值视为“抗力”。
• 在GAN生成数据上使用蒙特卡洛直方图采样，基于用户定义的可靠性水平（如$V_L$）校准检测阈值（抗力），确保对参数的不敏感性。
• 应用静态与动态基线方法：静态方法使用固定基线，而动态方法可自适应调整基线以检测多种损伤类别作为异常。

实验结果

研究问题

• RQ1 是否能够通过统一的无监督SHM框架，在无需预先标注或特定案例特征工程的情况下，跨多样化结构检测多种损伤类别？
• RQ2 如何调节检测阈值，使其在实时SHM中对用户定义的参数（如$V_L$）具有鲁棒性？
• RQ3 结合低维与高维特征在多大程度上提升了无监督SHM中的检测灵敏度与泛化能力？
• RQ4 基于系统可靠性的方法，结合蒙特卡洛直方图采样，是否能减少误报并提高实时结构监测中的鲁棒性？
• RQ5 所提出方法在高类别数据集（如Yellow Frame，21类；Z24 Bridge，15类）上是否具有良好的泛化能力，且误报率极低？

主要发现

• 静态基线方法在Yellow Frame（21类）和Z24 Bridge（15类）数据集上均实现了零误报，成功识别了所有损伤类别。
• 动态基线方法在Yellow Frame数据集中检测到全部20种不同的损伤状态，对应$V_L$值为10、20和40时，分别仅有3、1和2次误报。
• 由于通过蒙特卡洛直方图采样实现基于可靠性的阈值调节，该方法对用户定义参数（$V_L$）表现出不敏感性，证实了其鲁棒性。
• 该框架成功检测到不同类型的损伤（如桥墩下沉、钢索断裂），但无法区分同一损伤类型的强度差异，可能是因为其FFT响应相似。
• 采用简单的半谱FFT进行特征提取，使得该方法可直接应用于新结构而无需重新训练，支持智能城市基础设施网络的可扩展性。
• 多集合GAN与1-CG模型有效捕捉了多样化结构响应中的复杂正常行为，实现了实时可靠异常检测。