《Buildings》:Experimental Evaluation of Advanced Reflective TiO2-Based Coatings for Passive Cooling of Building Envelope Materials
编辑推荐:
多变量结构-响应分类通过整合来自多个传感器的同步测量并将观测窗口分配给预定义的结构或荷载条件来支持桥梁监测。主要的技术挑战是将时间和空间分布的传感器信息压缩为固定长度的表示,而不丢失瞬态或局部条件敏感特征。然而,先前的研究主要集中于骨干架构设计,而在受控骨干和
多变量结构-响应分类通过整合来自多个传感器的同步测量并将观测窗口分配给预定义的结构或荷载条件来支持桥梁监测。主要的技术挑战是将时间和空间分布的传感器信息压缩为固定长度的表示,而不丢失瞬态或局部条件敏感特征。然而,先前的研究主要集中于骨干架构设计,而在受控骨干和训练配置下,序列级聚合的影响很少被孤立研究。在本研究中,研究人员提出了xLSTM-m作为扩展长短期记忆网络(xLSTM)的修改变体,用于多变量桥梁响应分类。传统的最后一个隐藏状态读取被替换为对所有有效隐藏状态进行掩码均值池化,而混合sLSTM/mLSTM骨干和其余训练配置保持不变。这种受控设计将序列级聚合策略作为唯一的架构变量进行了孤立。使用八个神经模型进行了比较评估。这些模型包括xLSTM-m、基线xLSTM和六种基于Transformer的架构。考虑了三个桥梁监测数据集:一个FBG应变响应数据集和一个PCB Piezotronics加速度响应数据集,均来自实验室规模的斜拉桥模型,以及现场规模的Z24-9Setup加速度基准。采用了严格的五折交叉验证协议。所提出的xLSTM-m在所有三个数据集上均排名第一。其平均准确率为95.29%,平均F1-score为95.57%,折间标准差最低,为0.84。相对于每个数据集的最强Transformer基线,相应的准确率增益为:FBG数据集6.30个百分点,PCB数据集3.66个百分点,Z24-9Setup数据集31.76个百分点。这些结果表明,对于所评估的桥梁应变和加速度数据集,序列级聚合显著影响了分类准确率和折间稳定性。在SHM领域建立更广泛适用性之前,需要使用准静态响应、环境变量、其他结构系统和未见过的运行条件进行进一步验证。
**论文解读:基于掩码均值池化的xLSTM-m在桥梁结构响应分类中的应用**
该论文发表在《Buildings》上,聚焦于结构健康监测(SHM)中的多变量时序分类问题。SHM通过连续或周期性分析传感器测量数据来检测、定位和表征结构退化,对桥梁等大型基础设施的安全维护至关重要。传统方法依赖手工特征(如模态频率、阻尼比),而深度学习模型可自动从原始信号中学习层次化表示。然而,现有研究多集中于改进时序编码骨干(如Transformer、CNN、LSTM),却忽视了序列级读取策略——即如何将编码器输出的隐藏状态序列聚合为固定长度表示用于分类。在SHM中,结构损伤敏感信息可能出现在观测窗口的任意时间位置(如瞬态脉冲、振幅变化),若仅采用最后一个隐藏状态作为整体表示,则可能丢失分布于早期或中间时刻的关键证据。因此,研究人员提出将序列级聚合作为独立变量进行受控研究,以评估其对分类性能的影响。
研究人员开展了以下研究:在混合sLSTM–mLSTM骨干(xLSTM)基础上,将默认的最后一个隐藏状态读取替换为掩码均值池化(对所有有效隐藏状态取平均),得到xLSTM-m变体;保持骨干架构、输入表示、模型维度、优化设置和交叉验证折分配完全一致,使读取策略成为唯一变更的架构组件。在三个桥梁监测数据集(实验室规模FBG应变数据集、PCB加速度数据集、现场规模Z24-9Setup加速度基准)上,对八种神经模型(xLSTM-m、基线xLSTM、六种基于Transformer的模型:TimesNet、Informer、Autoformer、FEDformer、PatchTST、iTransformer)进行了统一基准测试,采用严格的五折交叉验证和一致的数据预处理、训练协议。
**主要关键技术方法**:
- 数据预处理:将原始多变量观测段(2000时间步)分割为不重叠的时序补丁(补丁大小P=10,得到200个补丁令牌),以降低序列长度、增强局部上下文、统一输入格式。
- 模型架构:xLSTM-m基于混合sLSTM–mLSTM骨干,其中sLSTM采用指数门控和修正记忆结构,mLSTM将标量记忆替换为矩阵记忆以捕获多尺度依赖。掩码均值池化对所有有效隐藏状态求平均,得到序列级表示,再通过线性分类头输出类别概率。
- 训练与评估:所有模型共享相同学习率、早停策略、验证损失作为检查点选择标准,以及五折交叉验证。性能指标包括准确率、宏平均精确率、宏平均召回率、宏平均F1-score,并统计折间标准差。
**研究结果**:
**5.1 总体准确率比较**
通过五折交叉验证,xLSTM-m在所有三个数据集上均取得最高平均测试准确率(FBG: 98.10%, PCB: 91.11%, Z24-9Setup: 97.37%),且折间标准差最低(0.84)。基线xLSTM紧随其后,而Transformer模型的性能高度依赖数据集:例如Autoformer在PCB上表现良好(87.45%),但在FBG上仅13.10%;PatchTST在FBG上达91.10%,但在PCB上降至79.68%。xLSTM-m的准确率增益相对于最强Transformer基线分别为6.30、3.66和31.76个百分点。
**5.2 训练动态与泛化性能分析**
xLSTM-m在三个数据集上均表现出最小的训练-测试准确率差距(FBG: 0.50个百分点, PCB: 1.11, Z24-9Setup: 2.52)和最小的损失增加,表明其泛化能力最强。相比之下,基线xLSTM在Z24-9Setup上出现明显过拟合(训练准确率99.87%→测试89.97%),而多个Transformer模型(如FEDformer、Informer)在FBG和Z24数据集上表现出较大泛化差距或欠拟合。
**5.3 训练动态综合评估**
学习曲线显示:xLSTM-m收敛最快(约30 epoch达到近完美训练准确率),验证损失低且稳定(<0.5),不确定性带窄。在PCB数据集上,PatchTST出现严重过拟合(验证损失骤升至10以上),而xLSTM-m保持低损失。在Z24-9Setup数据集上,xLSTM-m和基线xLSTM训练准确率接近100%,但xLSTM-m的验证-测试差距更小;TimesNet、Informer等过拟合严重,而PatchTST和Autoformer欠拟合。
**5.4 综合性能、稳定性与计算效率**
xLSTM-m在平均F1-score(95.57%)、精确率-召回率均衡性(差值0.69)以及平均排名(1.00)上均领先。其平均标准差(0.84)远低于iTransformer(8.04)和FEDformer(8.35)。计算时间方面,xLSTM-m(129.57秒)比基线xLSTM(109.27秒)略高,但远低于FEDformer(754.17秒),同时准确率增益显著,表明其成本效益高。
**讨论与结论**
讨论部分指出,当前验证局限于实验室和现场桥梁的动态应变与加速度数据,未包含准静态量(如索力、挠度)和环境变量(如温度、湿度),也未涵盖其他结构类型和未见运行条件,因此泛化性需进一步验证。此外,仅研究了掩码均值池化一种聚合方法,其他如注意力池化、最大池化等有待比较。结论部分翻译如下:
**结论**:本研究通过基线xLSTM与所提出的xLSTM-m之间的受控比较,研究了序列级聚合对多变量结构响应分类的影响。在一致的五折交叉验证协议下,对八种神经架构在三个桥梁监测数据集上进行了评估。通过将最后一个隐藏状态读取替换为掩码均值池化,同时保持相同的混合sLSTM–mLSTM骨干和训练配置,xLSTM-m在所有评估模型中取得了最高的整体分类性能和最低的折间变异性。在三个数据集上,其平均准确率为95.29%,平均宏F1-score为95.57%。结果表明,序列级读取是结构响应分类中的一个重要架构组件。聚合所有有效隐藏状态可使时间分布的信息直接贡献于最终表示,从而减少对单个终端状态的依赖。在所评估的条件下,该修改相对于传统xLSTM读取和Transformer基线一致地提高了预测性能和稳定性。这些发现仅限于所研究的桥梁应变和加速度数据集,不应解释为在整个SHM领域的普遍优越性。需要在其他结构系统、传感模态、环境与准静态响应以及未见运行条件下进行进一步验证。未来的工作还应研究替代聚合机制和硬件特定部署性能。