HierMUD：面向行车损伤诊断的桥梁间分层多任务无监督域适应
人工智能
2023-05-18 v1 机器学习
摘要
利用行车振动监测桥梁健康具有诸多优点，例如无需在桥上直接安装和维护传感器。然而，许多现有的行车监测方法基于监督学习模型，需要来自每座目标桥梁的标注数据，获取这些数据即使并非不可能，也是昂贵且耗时的。为此，我们引入一个新的框架，将在一座桥梁上学到的模型迁移到另一座桥梁上进行损伤诊断，而无需目标桥梁的任何标签。我们的框架以对抗方式训练一个分层神经网络模型，以提取对多个诊断任务具有信息量且跨多座桥梁不变的任务共享和任务特定特征。我们在从2座桥梁和3辆车收集的实验数据上评估了我们的框架。我们实现了95%的损伤检测准确率、93%的定位准确率以及高达72%的量化准确率，相比基线方法提高了约2倍。
引用
@article{arxiv.2107.11435,
title = {HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis},
author = {Jingxiao Liu and Susu Xu and Mario Bergés and Hae Young Noh},
journal= {arXiv preprint arXiv:2107.11435},
year = {2023}
}