基于全卷积网络的多变量时间序列分类结构健康监测方法
机器学习
2020-02-18 v1 信号处理
摘要
我们提出了一种结构健康监测（SHM）的新方法，旨在从普适传感系统获取的数据中自动识别损伤敏感特征。损伤检测与定位被表述为分类问题，并通过全卷积网络（FCNs）加以解决。所提网络架构的监督训练在基于物理的模型（充当待监测结构的数字孪生）数值模拟提取的数据上完成，该模型考虑了不同的损伤场景。依靠这一简化的结构模型，在FCN训练阶段考虑了多种荷载条件，其架构被设计用于处理不同长度的时间序列。神经网络的训练在监测系统开始运行前完成，从而实现实时损伤分类。所提策略的数值性能在一个数值基准案例上进行了评估，该案例为一个承受两类荷载的八层剪切建筑，其中一类模拟由低能地震活动引起的随机振动。为模拟真实监测系统的输出，在结构响应中加入了测量噪声。结果显示出极佳的分类能力：在九种可能的状态（健康状态及任意楼层损伤）中，损伤在多达95%的案例中被正确分类，从而展示了该方法在真实场景应用中的巨大潜力。
引用
@article{arxiv.2002.07032,
title = {Fully convolutional networks for structural health monitoring through multivariate time series classification},
author = {Luca Rosafalco and Andrea Manzoni and Stefano Mariani and Alberto Corigliano},
journal= {arXiv preprint arXiv:2002.07032},
year = {2020}
}
备注
27 pages