構造的健康モニタリングにおける階層的注意力トランスフォーマーベースのセンサー異常検出

科学分野:

• エンジニアリング
• コンピュータ科学
• データサイエンス

背景:

• 構造健康モニタリング (SHM) は,継続的な整合性の評価のためにセンサーデータに依存します.
• センサーの異常は 外部要因によって引き起こされ SHM システムの有効性を低下させます
• 既存の異常検出方法では 大量のデータセットや長期間の依存関係や 階級の不均衡が問題です

研究 の 目的:

• SHMにおけるセンサーの異常検出のための高度な方法を開発する.
• 従来の異常検出技術の限界を解決する
• SHMシステムの精度と強さを向上させる.

主な方法:

• 階層的な注意力トランスフォーマー (HAT) モデルの導入.
• ローカルとグローバルトランスフォーマーで 階層的なタイムモデリングを活用する
• 大型ケーブル橋の実際のデータセットによる評価.

主要な成果:

• HATはセンサーの異常検出で96.3%の精度を達成しました.
• 標識データに限られた優れた強度と性能を証明した (20%).
• 収束性ニューラルネットワーク (CNN),長期短期記憶 (LSTM),再発性ニューラルネットワーク (RNN) を上回った.

結論:

• 提案されたHAT方法は,SHMの異常検出のための実用的で効果的な解決策を提供します.
• HATは急速な収束と強力な一般化能力を発揮しています.
• このアプローチは,構造的健康監視システムの信頼性を高めます.