Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid CNN-RNN

要約

【タイトル】
混合CNN-RNNのスタッキングアンサンブルを用いた構造振動信号のデノイジング

【要約】
– 振動信号は、構造健全性のモニタリングや故障診断、損傷検出など、様々な分野で分析のために使われている。
– 生物工学分野でも利用されるようになっており、特に足音によって生成された信号は、人体や動物の動きを分析するために有用である。
– しかし、様々な種類のノイズが混入することで、足音による信号の解析の精度が損なわれることがある。
– 本論文では、複数の信号のアンサンブルと再帰型ニューラルネットワーク（RNN）および畳み込みニューラルネットワーク（CNN）の予測のアンサンブルをどちらも利用する新しいアンサンブルモデルを提案する。
– 提案モデルは、前処理、ハイブリッドモデリング、アンサンブルの3つのステージから構成される。
– 前処理ステージでは、FFTとウェーブレット変換を用いて、系の物理に支配されるダイナミクスと空間的・時間的特徴を抽出する。
– ハイブリッドモデリングステージでは、ノイズが混入した信号とFFTの結果を連結してバイディレクショナルLSTMを使用してノイズを除去し、CNNを使用して信号の縮小特徴表現を取得する。
– アンサンブルステージでは、3層の全結合ニューラルネットワークを使用して最終的なデノイズされた信号を生成する。
– 提案モデルは、PSNR、SNR、WMAPEを用いた評価において広範なノイズレベルにおいて従来のアルゴリズムを上回る性能を発揮する。

要約(オリジナル)

Vibration signals have been increasingly utilized in various engineering fields for analysis and monitoring purposes, including structural health monitoring, fault diagnosis and damage detection, where vibration signals can provide valuable information about the condition and integrity of structures. In recent years, there has been a growing trend towards the use of vibration signals in the field of bioengineering. Activity-induced structural vibrations, particularly footstep-induced signals, are useful for analyzing the movement of biological systems such as the human body and animals, providing valuable information regarding an individual’s gait, body mass, and posture, making them an attractive tool for health monitoring, security, and human-computer interaction. However, the presence of various types of noise can compromise the accuracy of footstep-induced signal analysis. In this paper, we propose a novel ensemble model that leverages both the ensemble of multiple signals and of recurrent and convolutional neural network predictions. The proposed model consists of three stages: preprocessing, hybrid modeling, and ensemble. In the preprocessing stage, features are extracted using the Fast Fourier Transform and wavelet transform to capture the underlying physics-governed dynamics of the system and extract spatial and temporal features. In the hybrid modeling stage, a bi-directional LSTM is used to denoise the noisy signal concatenated with FFT results, and a CNN is used to obtain a condensed feature representation of the signal. In the ensemble stage, three layers of a fully-connected neural network are used to produce the final denoised signal. The proposed model addresses the challenges associated with structural vibration signals, which outperforms the prevailing algorithms for a wide range of noise levels, evaluated using PSNR, SNR, and WMAPE.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI