A Bidirectional Long Short Term Memory Approach for Infrastructure Health Monitoring Using On-board Vibration Response

要約

利用可能なインフラ監視データの量が増加しているため、直接計測を使用してインフラの健全な状態を推定する強力なデータ駆動型アプローチの開発が可能になっている。本稿では、ドライブバイ振動応答信号を用いて、鉄道軌道の剛性などのインフラ物理パラメータを推定するための深層学習手法を提案する。提案手法は、特徴抽出フェーズにおいて、時間依存性を考慮したLong Short-term Memory (LSTM)特徴抽出器を用い、状態推定フェーズにおいて、双方向Long Short-term Memory (BiLSTM)ネットワークを用いて、ドライブバイ振動応答の前方パスと後方パスの双方向の時間依存性を活用する。さらに、振動信号を個々のビーム間の距離に等しいフレームに分割し、ビームノードを中心にフレームを配置することで、モニタリングタスクの分解能をビームレベルまで向上させるフレーミングアプローチを採用している。提案されたLSTM-BiLSTMモデルは、直接ドライブバイ振動応答計測を用いた様々な橋梁や鉄道インフラの状態モニタリングのための汎用的なツールを提供する。この結果は、特徴抽出フェーズに時間分析を組み込むことの可能性を示し、インフラの健全性状態推定における双方向の時間情報の極めて重要な役割を強調している。提案する手法は、ドライブバイ計測を用いて、鉄道軌道の剛性を正確かつ自動的に推定し、ノイズの存在下での局所的な剛性低下を特定することができる。車両と軌道の相互作用シミュレーションの事例を用いて、提案モデルの性能を実証し、レールパッドとバラストの剛性の推定において、それぞれ1.7%と0.7%の最大平均絶対パーセンテージ誤差を達成した。

要約(オリジナル)

The growing volume of available infrastructural monitoring data enables the development of powerful datadriven approaches to estimate infrastructure health conditions using direct measurements. This paper proposes a deep learning methodology to estimate infrastructure physical parameters, such as railway track stiffness, using drive-by vibration response signals. The proposed method employs a Long Short-term Memory (LSTM) feature extractor accounting for temporal dependencies in the feature extraction phase, and a bidirectional Long Short-term Memory (BiLSTM) networks to leverage bidirectional temporal dependencies in both the forward and backward paths of the drive-by vibration response in condition estimation phase. Additionally, a framing approach is employed to enhance the resolution of the monitoring task to the beam level by segmenting the vibration signal into frames equal to the distance between individual beams, centering the frames over the beam nodes. The proposed LSTM-BiLSTM model offers a versatile tool for various bridge and railway infrastructure conditions monitoring using direct drive-by vibration response measurements. The results demonstrate the potential of incorporating temporal analysis in the feature extraction phase and emphasize the pivotal role of bidirectional temporal information in infrastructure health condition estimation. The proposed methodology can accurately and automatically estimate railway track stiffness and identify local stiffness reductions in the presence of noise using drive-by measurements. An illustrative case study of vehicle-track interaction simulation is used to demonstrate the performance of the proposed model, achieving a maximum mean absolute percentage error of 1.7% and 0.7% in estimating railpad and ballast stiffness, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL