橋梁構造ヘルスモニタリングのための教師なし学習ベース異常検知：通常の構造的挙動からの逸脱の特定

科学分野:

• 土木工学
• データサイエンス
• インフラストラクチャモニタリング

背景:

• 構造ヘルスモニタリング（SHM）は、土木インフラの安全性とメンテナンスにとって非常に重要です。
• 教師なし異常検知は、ラベル付き損傷データなしで構造的逸脱を特定するために不可欠です。
• 累積距離寄与因子（CDPF）および半パラメトリック極値理論（SEVT）などの既存の方法はベースラインを提供しますが、微妙な異常に対処するのに苦労します。

研究 の 目的:

• SHMのための教師なし異常検知フレームワークの改善を開発すること。
• 微妙で非線形の構造的逸脱を検出する際のベースラインメソッドの限界に対処すること。
• 土木インフラにおける異常検知の感度、信頼性、および解釈可能性を高めること。

主な方法:

• Z24橋データセットからのモーダル周波数を使用した閾値処理のために、CDPFとSEVTを組み合わせたベースラインメソッドを実装しました。
• 主成分分析（PCA）とオートエンコーダー（AE）を統合したアンサンブル異常検知フレームワークを開発しました。
• PCAは線形パターンをキャプチャし、AEは堅牢な異常検知のために非線形表現を学習します。

主要な成果:

• ベースラインメソッドは、進行性損傷シナリオにおける異常を正常に特定しました。
• 提案されたアンサンブルフレームワークは、ベースラインと比較して異常検出において感度と信頼性が向上しました。
• アンサンブルメソッドは、環境および運用上の変動に対して強化された安定性を示しました。

結論:

• アンサンブルベースの教師なしメソッドは、SHMに大きな進歩を提供します。
• 統合されたPCAおよびAEフレームワークは、構造的異常を検出するためのより堅牢で安定したアプローチを提供します。
• このアプローチは、より効果的で信頼性の高いインフラストラクチャヘルスモニタリングに有望です。