Detección de anomalías de sensores basados en transformadores de atención jerárquica en el monitoreo de la salud...

Área de la Ciencia:

• Ingeniería
• Ciencias de la computación
• Ciencia de los datos

Sus antecedentes:

• El monitoreo de la salud estructural (SHM) se basa en los datos de los sensores para la evaluación continua de la integridad.
• Las anomalías de los sensores, a menudo causadas por factores externos, degradan la eficacia del sistema SHM.
• Los métodos de detección de anomalías existentes luchan con grandes conjuntos de datos, dependencias a largo plazo y desequilibrio de clase.

Objetivo del estudio:

• Desarrollar un método avanzado para la detección de anomalías de sensores en SHM.
• Abordar las limitaciones de las técnicas tradicionales de detección de anomalías.
• Mejorar la precisión y la robustez de los sistemas SHM.

Principales métodos:

• Introducción de un modelo de transformador de atención jerárquico (HAT).
• Utilizando el modelado temporal jerárquico con codificadores Transformer locales y globales.
• Evaluación en un conjunto de datos del mundo real de un gran puente cableado.

Principales resultados:

• HAT logró una precisión del 96,3% en la detección de anomalías del sensor.
• Se ha demostrado una robustez y un rendimiento superiores con datos de etiquetado limitados (20%).
• Las redes neuronales convolucionales (CNN), la memoria a corto plazo (LSTM) y las redes neuronales recurrentes (RNN) tienen un rendimiento superior.

Conclusiones:

• El método HAT propuesto ofrece una solución práctica y eficaz para la detección de anomalías en la SHM.
• HAT exhibe una rápida convergencia y fuertes capacidades de generalización.
• Este enfoque mejora la fiabilidad de los sistemas estructurales de vigilancia de la salud.