一种用于结构损伤检测的非参数无监督学习方法
信号处理
2020-09-30 v1
摘要
在基础设施老化的世界中，结构健康监测（SHM）成为迈向韧性与可持续社会的重要一步。机器学习与传感器技术的当前进展使 SHM 比传统无损检测方法更具前景的损伤检测手段。基于无监督学习方法的 SHM 相较于更常用的监督学习提供了一种有吸引力的替代方案，因为它仅需结构在正常状态下的数据用于训练过程。基于密度的新颖性检测方法为损伤检测过程提供了统计要素，但其严重依赖于所估计概率密度函数（PDF）的准确性。在本研究中，提出了一种用于 SHM 的新型无监督学习方法。该方法基于核密度最大熵方法，利用贝叶斯优化进行超参数调优，并通过独立分量分析将方法扩展至多元空间。所提方法在一个数值模拟的三层钢筋混凝土弯矩框架上进行评估，在结构损伤检测中达到了 94% 的准确率。
引用
@article{arxiv.2009.13692,
title = {A Nonparametric Unsupervised Learning Approach for Structural Damage Detection},
author = {Kareem Eltouny and Xiao Liang},
journal= {arXiv preprint arXiv:2009.13692},
year = {2020}
}