基于特征选择的物理信息迁移学习在结构健康监测中的应用

用于训练结构健康监测（structural health monitoring, SHM）系统的数据获取成本高昂且往往难以实现，特别是标注数据。基于群体的 SHM 通过考虑结构群体中的可用数据，为这一问题提供了潜在解决方案。然而，结构之间的差异意味着训练与测试分布会有所不同；因此，传统机器学习方法无法期望在结构之间实现泛化。为解决这一问题，可使用迁移学习（transfer learning, TL）来跨相关领域利用信息。一个重要考量是，目标领域标签的缺乏使得基于数据的指标仅能量化边缘分布之间的差异。因此，应用典型无监督 TL 方法的前提是识别合适的源结构（领域）以及一组特征，使得其条件分布与目标结构相关。通常，领域与特征的选择依赖于领域专业知识；然而，对于复杂机制（如损伤对结构动态响应的影响），这一任务并非易事。在本文中，我们利用物理知识来选择更具相似性的特征，并使用模态保证准则（modal assurance criterion, MAC）来量化健康结构模态之间的对应关系。结果表明，MAC 与衡量联合分布相似性的监督指标具有高度相关性，而该监督指标是分类器能否在领域间泛化的主要指示。我们提出将 MAC 作为一种度量，用于选择在受损时跨领域行为一致的特征集，即条件分布具有不变性的特征。通过数值与实验案例研究验证了该方法在各种应用中的有效性。