通过生成式数据增强解决结构健康监测中的数据稀缺问题
计算工程、金融与科学
2025-10-21 v1
摘要
结构健康监测在通过早期损伤检测确保桥梁基础设施的安全性、可靠性和寿命方面发挥着关键作用。尽管近期的深度学习模型进展使自动化事件检测成为可能，但其性能常受数据稀缺、环境噪声和类别不平衡的限制。为此，本研究引入一种针对生成源自声学事件信号的短时傅里叶变换频谱图的定制化生成对抗网络模型，名为 STFTSynth。与诸如 MixUp 等数据增强技术不同，生成对抗网络能够合成模仿真实世界事件的高质量频谱图，从而增强数据集的多样性和鲁棒性。该模型集成了用于空间一致性的密集残差块，以及用于时序依赖建模的双向门控循环单元。通过定性检查和量化指标（包括结构相似性指数测度、峰值信噪比和弗雷赛希滞距离）评估模型性能，结果表明 STFTSynth 在生成高分辨率、时序一致且与真实数据高度吻合的频谱图方面优于基准模型。这些发现表明，生成式数据增强作为一种可扩展且高性价比的解决方案，对于那些稀有事件（如预应力线断裂）数据稀缺的桥梁监测场景具有潜在价值。
引用
@article{arxiv.2510.16889,
title = {Addressing data scarcity in structural health monitoring through generative augmentation},
author = {Sasan Farhadi and Mariateresa Iavarone and Mauro Corrado and Eleni Chatzi and Giulio Ventura},
journal= {arXiv preprint arXiv:2510.16889},
year = {2025}
}