利用无监督特征学习方法与小波增强导波表示预测复合材料板中的分层
信号处理
2022-04-22 v1 音频与语音处理
图像与视频处理
摘要
随着基于损伤容限设计理念的引入，对航空航天复合材料结构可靠且稳健的结构健康监测（SHM）程序的需求正在迅速增长。用于 SHM 的监督学习算法的性能取决于标记且平衡的数据集的数量。除此之外，收集涵盖所有可能损伤场景的数据集对于航空航天应用而言繁琐、昂贵且难以获取。在本文中，我们提出了两种不同的无监督特征学习方法，其中算法仅在基线场景上训练以学习基线信号的分布。训练后的无监督特征学习器用于以异常检测思路进行分层预测。在第一种方法中，我们将降维技术（主成分分析和独立成分分析）与单类支持向量机相结合。在另一种方法中，我们利用了基于深度学习的深度卷积自编码器（CAE）。这些先进算法应用于三个不同的基于导波的实验数据集。数据集中原始的导波信号被转换为小波增强的高阶表示，用于训练无监督特征学习算法。我们还比较了不同技术，发现 CAE 能生成更好的重构，具有更低的均方误差，并在所有数据集上提供更高的准确率。
引用
@article{arxiv.2204.09764,
title = {Delamination prediction in composite panels using unsupervised-feature learning methods with wavelet-enhanced guided wave representations},
author = {Mahindra Rautela and J. Senthilnath and Ernesto Monaco and S. Gopalakrishnan},
journal= {arXiv preprint arXiv:2204.09764},
year = {2022}
}