结构健康监测的主动迁移学习
机器学习
2025-11-03 v1
摘要
用于训练结构健康监测(SHM)系统的数据往往昂贵且/或难以获取，特别是标记数据。人群基SHM(PBSHM)旨在通过利用来自多个结构的数据来解决这一限制。然而，来自不同结构的数据将遵循不同的分布，可能导致使用常规机器学习方法所学习的模型具有较大的泛化误差。为解决这一问题，可以使用迁移学习——以域适应(DA)的形式——来对齐数据分布。大多数以前的方法仅考虑无监督DA，即没有可用的目标标签数据；它们不考虑如何将这些技术整合到在监控活动期间随标签获取的在线框架中。本文提出了一个用于PBSHM中DA的贝叶斯框架，该框架可以利用有限数量的标记目标数据来改进无监督DA映射。此外，将该模型集成到主动抽样策略中，以指导检查员选择最具信息性的观察值进行标记——从而进一步减少学习目标分类器所需的标记数据。该方法的有效性在一个由实验桥梁组成的 population 上进行评估。该 population 包括对应于多个损伤状态的数据，以及一套全面的环境条件。结果发现，结合迁移学习和主动学习可以在标签稀缺的场景中提高学习分类模型的数据效率。这一结果对数据信息化的结构运行和维护具有意义，表明可以在结构运行终身内实现检查次数的减少——因此也实现了运营成本的降低。
引用
@article{arxiv.2510.27525,
title = {Active transfer learning for structural health monitoring},
author = {J. Poole and N. Dervilis and K. Worden and P. Gardner and V. Giglioni and R. S. Mills and A. J. Hughes},
journal= {arXiv preprint arXiv:2510.27525},
year = {2025}
}