用于悬臂梁损伤检测的神经符号模型
机器学习
2023-06-06 v2 人工智能
摘要
在过去十年中，损伤检测方法迅速从先进的信号处理技术转向机器学习尤其是深度学习模型，以准确且非侵入式地估计梁结构的状态。但随着深度学习模型达到其性能峰值，其在适用性与脆弱性方面的局限也显现出来。在操作条件下缺乏可信度的最重要原因之一是深度学习系统缺少内在可解释性，因为其知识编码于张量值中且未纳入逻辑约束。本文提出一种用于悬臂梁损伤检测的神经符号模型，其基于一种新颖的认知架构，该架构将卷积网络的处理能力与通过把真实逻辑直接嵌入模型所实现的交互式查询控制相结合。该混合判别模型被命名为逻辑卷积神经回归器（Logic Convolutional Neural Regressor），并在一组由原始数学关系导出的悬臂梁相对固有频率偏移值数据集上进行了测试。所得结果在保持深度学习模型全部预测能力的同时，使用三个距离作为可满足性谓词，使系统在实际应用中更可信且可扩展。我们开展了大量数值与实验室实验，均证明了该混合方法的优越性，其为解决损伤检测问题开辟了新路径。
引用
@article{arxiv.2305.03063,
title = {Neuro-symbolic model for cantilever beams damage detection},
author = {Darian Onchis and Gilbert-Rainer Gillich and Eduard Hogea and Cristian Tufisi},
journal= {arXiv preprint arXiv:2305.03063},
year = {2023}
}