Semi-supervised detection of structural damage using Variational Autoencoder and a One-Class Support Vector Machine

要約

近年、人工ニューラル ネットワーク (ANN) が構造健全性モニタリング (SHM) システムに導入されています。
データ駆動型のアプローチを備えた半教師あり手法により、損傷していない構造状態から取得したデータに対する ANN トレーニングで構造損傷を検出できます。
標準的なアプローチでは、トレーニング段階の後、異常なデータを検出するための決定ルールが手動で定義されます。
ただし、このプロセスは機械学習手法を使用して自動化でき、ハイパーパラメータ最適化手法を使用してパフォーマンスを最大化できます。
この論文では、構造異常を検出するためのデータ駆動型アプローチによる半教師あり手法を提案しています。
この方法論は、(i) 損傷していないデータ分布を近似する変分オートエンコーダ (VAE) と、(ii) VAE の信号再構成から抽出された損傷に敏感な特徴を使用してさまざまな健康状態を識別する 1 クラス サポート ベクター マシン (OC-SVM) で構成されます。
この方法は、IASC-ASCE 構造健全性モニタリング タスク グループによって 9 つの損傷シナリオでテストされた規模の鋼構造に適用されます。

要約(オリジナル)

In recent years, Artificial Neural Networks (ANNs) have been introduced in Structural Health Monitoring (SHM) systems. A semi-supervised method with a data-driven approach allows the ANN training on data acquired from an undamaged structural condition to detect structural damages. In standard approaches, after the training stage, a decision rule is manually defined to detect anomalous data. However, this process could be made automatic using machine learning methods, whom performances are maximised using hyperparameter optimization techniques. The paper proposes a semi-supervised method with a data-driven approach to detect structural anomalies. The methodology consists of: (i) a Variational Autoencoder (VAE) to approximate undamaged data distribution and (ii) a One-Class Support Vector Machine (OC-SVM) to discriminate different health conditions using damage sensitive features extracted from VAE’s signal reconstruction. The method is applied to a scale steel structure that was tested in nine damage’s scenarios by IASC-ASCE Structural Health Monitoring Task Group.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google