半监督结构损伤分类:基于受限贝叶斯非参数混合模型与透射率引导的知识迁移方法

《Mechanical Systems and Signal Processing》:Semi-supervised structural damage classification with constrained Bayesian nonparametric mixture models and transmissibility-guided knowledge transfer

【字体: 大 中 小 】 时间:2026年01月14日 来源:Mechanical Systems and Signal Processing 8.9

编辑推荐:

  结构损伤分类方法,提出约束DPMM与知识转移结合的半监督框架,利用振动响应传递率函数数据,通过约束Dirichlet过程混合模型挖掘无标注数据中的损伤特征,结合深度神经网络实现知识迁移,减少标注数据需求,提升损伤分类精度。

  
林凤梅|王志燕|袁嘉文
澳门大学智慧城市物联网国家重点实验室及土木与环境工程系,澳门

摘要

基于振动响应(如传递函数TFs)的AI驱动结构损伤诊断近年来受到了越来越多的关注。然而,无监督方法主要局限于损伤检测,而有监督方法往往受到各种损伤场景下标注良好的训练数据稀缺的限制。为了弥合这一差距,本文提出了一种半监督学习框架,通过将受限狄利克雷过程混合模型(DPMM)与一种新颖的知识转移技术相结合,用于基于TF的结构损伤分类。受限DPMM被引入用于聚类,以识别训练集中的判别信息,这些信息基于TFs的统计特性捕捉不同的结构行为模式。开发了一种考虑约束的无截断变分推断方法来估计受限DPMM的后验分布,该方法通过成对约束将人类监督纳入推断过程。受限DPMM学到的判别信息嵌入到聚类分配中,用于预训练深度神经网络(DNN),旨在利用DNN的表示学习能力自动从原始TFs中提取判别特征。为了将这些判别特征映射到对应于实际结构条件的诊断类别标签,提出了一种知识转移技术,该技术用子网络替换预训练的DNN的输出层,并使用标记的训练数据对其进行微调,以形成用于损伤分类的新DNN。这种半监督学习框架利用深度学习避免了手动特征提取,同时通过利用受限DPMM获得的知识减少了训练深度分类器所需的标记数据量。这些属性使其非常适合于标记训练数据稀缺而未标记数据更易获取的结构损伤分类。

引言

近年来,随着传感器系统、计算资源和数据处理技术的快速发展,基于振动响应的数据驱动结构损伤诊断在确保工程结构安全性和防止意外结构故障方面受到了越来越多的关注[1]、[2]、[3]。数据驱动的损伤诊断通常采用机器学习(ML)技术从训练数据中构建统计模型,并在监测阶段将测量数据分配到相关的诊断标签,主要包括无监督和有监督方法[4]。有监督方法利用多类标记数据训练ML模型,使它们能够执行高级任务,如损伤分类和量化。然而,它们的应用往往受到从各种损伤场景中获取诊断标签的难度限制[4],特别是对于大规模的民用基础设施。相比之下,无监督方法专注于仅基于正常运行条件下的标签揭示底层数据结构[5],提供了更大的灵活性和适用性。然而,由于缺乏关于不同损伤模式的信息,无监督方法仅限于基本任务,主要是结构损伤检测。
为了提供比无监督方法更详细的结构条件洞察,同时减少对诊断标签的依赖,半监督方法在过去几年中在数据驱动的结构损伤诊断中受到了大量关注[6]、[7]、[8]、[9]、[10]。这些方法利用来自未标记训练数据的信息来提高有监督算法的性能,从而减少了构建可靠模型所需的标签量,与传统的有监督学习相比[11]。这使得半监督方法特别适用于标记数据稀缺且获取成本高或困难的场景,这在结构损伤诊断中很常见。两项案例研究表明,由于受限DPMM能够捕捉训练集中的不同结构行为模式,并通过知识转移技术有效地将这些模式映射到诊断类别标签,所提出的方法优于一些最先进的方法。

引言

近年来,随着传感器系统、计算资源和数据处理技术的快速发展,基于振动响应的数据驱动结构损伤诊断在确保工程结构安全性和防止意外结构故障方面受到了越来越多的关注[1]、[2]、[3]。数据驱动的损伤诊断通常采用机器学习(ML)技术从训练数据中构建统计模型,并在监测阶段将测量数据分配到相关的诊断标签,主要包括无监督和有监督方法[4]。有监督方法利用多类标记数据训练ML模型,使它们能够执行高级任务,如损伤分类和量化。然而,它们的应用往往受到从各种损伤场景中获取诊断标签的难度限制[4],特别是对于大规模的民用基础设施。相比之下,无监督方法专注于仅基于正常运行条件下的标签揭示底层数据结构[5],提供了更大的灵活性和适用性。然而,由于缺乏关于不同损伤模式的信息,无监督方法仅限于基本任务,主要是结构损伤检测。
为了提供比无监督方法更详细的结构条件洞察,同时减少对诊断标签的依赖,半监督方法在过去几年中在数据驱动的结构损伤诊断中受到了大量关注[6]、[7]、[8]、[9]、[10]。这些方法利用来自未标记训练数据的信息来提高有监督算法的性能,从而减少了构建可靠模型所需的标签量,与传统的有监督学习相比[11]。这使得半监督方法特别适用于标记数据稀缺且获取成本高或困难的场景,这在结构损伤诊断中很常见。在各种半监督学习技术中,基于聚类的半监督分类在这一领域变得越来越普遍[6]、[7]、[12]、[13]、[14]、[15]。一方面,聚类算法可以根据数据的内在相似性以无监督的方式将数据集划分为组,每个组(簇)代表一种不同的结构行为模式,从而直接从未标记数据中提取判别信息。当有少量标记数据的引导下,这些簇可以映射到特定的类别(结构状态),从而有效地应用于分类任务[12]、[13]、[15]。另一方面,由于簇分配来自数据集的内在统计特性,它们可以作为伪标签来保留这种判别信息,并有助于训练有监督分类器,从而减少对标记训练数据的依赖,同时降低过拟合的风险[7]、[16]。
刘等人提出了一个用于结构损伤诊断的基于聚类的半监督学习的开创性工作[17],他们采用了半监督模糊c均值聚类,结合小波包分解和数据融合来检测结构损伤的存在、定位和程度,并为诊断结果提供置信水平。为了利用标记和未标记训练数据中的信息,Bull等人[6]开发了一种半监督贝叶斯高斯混合模型(GMM)用于结构损伤分类。这种方法利用标记的训练数据通过修改的期望最大化算法指导参数更新,从而使GMM能够执行分类任务。Kong等人[7]提出了一种半监督方法,通过使用深度自编码器提取的损伤敏感特征和优化后的模糊c均值聚类方法生成的伪标签来进行结构损伤分类。
尽管这些工作报告了有希望的结果,但这些基于聚类的方法需要预先指定簇的数量,在半监督学习的背景下,这通常设置为真实类别的数量。然而,这种配置限制了每个类别仅对应一个簇,可能无法准确捕捉数据集的底层结构,并适当适应类别内的异质性和异常值。此外,它限制了半监督任务中聚类的适应性和灵活性,因为目标类别是手动定义的,没有考虑所使用的特征表示[18]。为了解决这个问题,贝叶斯非参数聚类方法,特别是基于狄利克雷过程高斯混合模型(DPGMM)的方法已被引入结构损伤诊断[12]、[13]、[19]、[20]。这些方法利用DPGMM的非参数特性根据观察到的数据动态调整簇的数量,而不是预先指定它。然而,一个关键的限制是它们仅依赖于无监督聚类来动态生成表示不同结构条件的簇,同时缺乏将这些簇映射到表示实际结构状态的诊断标签的具体机制。
鉴于上述问题和挑战,本文提出了一种基于传递函数(TF)的结构损伤分类的新半监督框架,旨在利用TF对结构损伤的敏感性和对激励的鲁棒性[21]、[22]、[23],以及深度神经网络(DNN)在表示学习和非线性映射方面的优势。该方法使用由新型受限DPGM生成的簇分配作为伪标签来预训练深度分类器,并结合知识转移技术将簇分配映射到对应于实际结构状态的诊断类别标签。所提出方法的示意图如图1所示,本工作的主要贡献总结如下:
  • •
    提出了一种受限DPGM用于聚类,以捕获训练集中的判别信息,这些信息反映了不同的结构行为模式。开发了一种考虑约束的无截断变分推断方法,有效地估计了受限DPGM的后验分布,将人类监督的先验知识纳入推断过程,从而提高了聚类性能。
  • •
    提出了一种知识转移技术,利用受限DPGM学到的判别信息来训练深度分类器进行结构损伤分类。该技术使用受限DPGM的簇分配作为伪标签来预训练DNN,从而利用其表示学习能力自动从原始TFs中提取判别特征。为了将这些特征映射到诊断类别标签,用子网络替换了预训练DNN的输出层,然后使用标记的训练数据对其进行微调,以形成用于损伤分类的新DNN。
  • •
    通过将受限DPGM与知识转移技术相结合,提出了一种称为基于受限DPGM和知识转移的半监督学习(SS-cDPMKT)的半监督框架,用于基于TF的结构损伤分类。这种方法利用受限DPGM学到的知识减少了深度分类器所需的标记训练数据量,同时利用DNN的非线性映射和表示学习能力,避免了手动特征提取,并有效地将受限DPGM识别的判别模式映射到诊断类别标签。
  • 小节片段

    受限狄利克雷过程混合模型

    聚类是一种无监督技术,根据数据点之间的内在相似性将数据集划分为不同的组。由于它们可以直接从未标记数据中获取信息以揭示数据集中的判别模式,聚类方法非常适合半监督学习中的伪标记,尤其是在标记训练数据极其稀缺的情况下[24],这在结构损伤分类中很常见,并且通常比其他方法更有效

    带有伪标签和知识转移的半监督学习

    由于必须链接和不能链接的约束是从标记训练数据中得出的,因此基于CATFVI的受限DPGM识别的簇可以通过利用这些约束提供的信息理论上映射到不同的结构状态。然而,直接将受限DPGM应用于基于TF的结构损伤分类会遇到几个挑战。一方面,作为一种浅层学习技术,受限DPGM依赖于手动特征工程

    基于传递函数的结构损伤分类的半监督学习框架的程序

    对于基于TF的结构损伤分类,训练样本是从原始响应测量中使用快速傅里叶变换(FFT)提取的高维TF向量。在半监督学习的背景下,只有一小部分TF向量被标注了指示它们来源的结构状态的诊断标签,而大多数仍然未标记。基于这个训练集,提出的半监督结构的详细程序

    案例研究

    将通过两个案例研究验证SS-cDPMKT框架的性能和可靠性,包括一个实验室实验和一个现场测试。在这两个案例研究中,该框架使用相同的网络架构,详见附录II。所有实验都在配备NVIDIA RTX 4080 GPU和32 GB RAM的工作站上进行。

    结论

    本文提出了一种称为SS-cDPMKT的半监督学习框架,用于基于TF的结构损伤分类,它结合了受限DPGM和知识转移技术。通过使用标记训练数据构建的必须链接和不能链接约束,开发了一种考虑约束的无截断变分推断方法来估计受限DPGM的后验分布,从而提高了其识别判别模式的能力

    写作过程中生成式AI和AI辅助技术的声明

    在准备这项工作时,作者使用了ChatGPT来改进语言。使用该工具后,作者根据需要审查和编辑了内容,并对出版物的内容负全责。

    CRediT作者贡献声明

    林凤梅:写作——原始草稿、可视化、验证、软件、方法论、概念化。王志燕:写作——审阅与编辑、监督、项目管理、方法论、资金获取、概念化。袁嘉文:写作——审阅与编辑、资金获取。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

    致谢

    完成这项研究的资金支持由澳门特别行政区的科学和技术发展基金(文件编号:0038/2024/RIB1, 0120/2025/AMJ, 和SKL-001/2024/SKL-->)、澳门大学的研究委员会(文件编号:MYRG-GRG2024-00119-IOTSC和MYRG-GRG2025-00270-I0TSC)以及粤港澳联合实验室计划(文件编号:2020B1212030009)提供。本文表达的观点和意见仅代表作者本人,并不一定反映
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号