用于结构损伤检测中标定加速度数据增强的生成对抗网络
机器学习
2022-09-27 v6 人工智能
机器学习
摘要
过去几十年中数据科学领域取得了重大进展，并已应用于不同的工程学科与应用。人工智能（AI）、机器学习（ML）和深度学习（DL）算法已被用于民用结构健康监测（SHM），特别是利用传感器数据进行损伤检测应用。尽管 ML 和 DL 方法对复杂数据结构表现出优越的学习能力，但它们需要大量数据进行训练。然而在 SHM 中，从民用结构收集数据可能昂贵且耗时；尤其获取有用数据（与损伤相关的数据）可能具有挑战性。本研究的目的是解决损伤检测应用中的数据稀缺问题。本文采用带梯度惩罚的一维 Wasserstein 深度卷积生成对抗网络（1-D WDCGAN-GP）来生成合成的标定加速度数据。然后，将生成的数据以不同比例增强到一维深度卷积神经网络（1-D DCNN）的训练数据集中用于损伤检测应用。损伤检测结果表明，1-D WDCGAN-GP 可成功用于解决民用结构基于振动的损伤检测应用中的数据稀缺问题。关键词：结构健康监测（SHM）、结构损伤检测、一维深度卷积神经网络（1-D DCNN）、一维生成对抗网络（1-D GAN）、带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）
引用
@article{arxiv.2112.03478,
title = {Generative Adversarial Networks for Labeled Acceleration Data Augmentation for Structural Damage Detection},
author = {Furkan Luleci and F. Necati Catbas and Onur Avci},
journal= {arXiv preprint arXiv:2112.03478},
year = {2022}
}