基于群体的结构健康监测中信息迁移价值的量化

基于群体的结构健康监测（PBSHM）旨在解决传统SHM中出现的与数据稀缺相关的一些局限。PBSHM群体方法的一个原则是：信息可在充分相似的结构之间共享，以改进预测模型。迁移学习技术，如域适应，已被证明是在为PBSHM开发统计分类器时于结构间共享信息极为有用的技术。然而，迁移学习技术并非没有缺陷。在某些情形下，例如若群体中结构相关的数据分布不相似，应用迁移学习方法可能损害分类性能——此现象称为负迁移。鉴于负迁移潜在严重后果，工程师审慎地问“何时、何种信息、以及如何应在结构间迁移？”是明智的。本文旨在以代表性SHM维护问题为背景，展示一个由域适应支撑的、面向模拟结构群体的分类任务的迁移策略决策过程。该迁移决策框架基于信息迁移期望价值的概念。为计算信息迁移期望价值，必须对在信息迁移后目标域中的分类（及决策性能）作出预测。为预测迁移结果，此处使用概率回归从基于模态保证准则的结构相似性代理量预测分类性能。