《Measurement》:Reinforcement learning–driven modal feature selection for output-only structural anomaly detection in vibration measurements
编辑推荐:
- 强化学习选择最优模态子集用于结构健康监测(SHM)异常检测。
- 仅输出框架对环境与运营变异性(EOV)具有鲁棒性。
- 提高损伤检测精度,同时减少误报和漏报。
- 在环境变化下的数值和实验结构上验证,通过基于模态振型的特征选择保持物理可解释性
- 强化学习选择最优模态子集用于结构健康监测(SHM)异常检测。
- 仅输出框架对环境与运营变异性(EOV)具有鲁棒性。
- 提高损伤检测精度,同时减少误报和漏报。
- 在环境变化下的数值和实验结构上验证,通过基于模态振型的特征选择保持物理可解释性。
结构健康监测(SHM)是保障基础设施安全运行的关键技术,但长期监测中环境与运营变异性(EOV)会掩盖损伤敏感特征,导致误报和漏报。现有方法如基于协变量的归一化、无监督伪目标或纯输出模态分析,其模态特征选择多依赖工程判断或简单统计,未直接优化下游异常检测性能,难以捕捉模态间的非线性交互作用。为此,研究人员在《Measurement》上提出了一种强化学习(RL)驱动的模态特征选择框架,结合变分模态分解(VMD)预处理与长短期记忆变分自编码器(LSTM-VAE),实现仅输出条件下的结构异常检测。该框架通过RL策略(REINFORCE算法)优化伯努利掩码,选择使健康重建误差最小且子集紧凑的模态振幅通道,并采用健康验证数据95%分位数作为非参数决策阈值。在数值弹簧质量链、Wooden Bridge实验室实验及Hell Bridge Test Arena(HBTA)全尺寸钢桥基准上验证,结果表明RL引导的特征选择显著提升了F1分数,同时缩减了特征维度,优于全特征配置和基线优化自编码器(BO-AE)方法。
**关键技术方法**:
研究人员采用以下关键方法:1)**变分模态分解(VMD)**:对每个模态振幅通道进行分解,保留第一本征模态函数(IMF)以提取缓慢变化趋势并抑制噪声;2)**长短期记忆变分自编码器(LSTM-VAE)**:在健康数据上训练,学习重建分布,使用重建误差作为异常分数;3)**强化学习(RL)策略**:基于伯努利策略采样二进制掩码,通过验证子集重建误差和稀疏惩罚计算奖励,以REINFORCE更新策略,直至概率变化范数小于容忍度或最多30轮;4)**非参数阈值校准**:取健康验证数据重建误差的95%分位数作为决策阈值。样本来源包括数值弹簧质量系统(9自由度链)、Wooden Bridge实验室实验(点质量损伤,来自[45])及HBTA桥梁(全尺寸钢桥,58个加速度计,采用频域分解(FDD)提取模态)。
**研究结果**:
- **4.1. Numerical study: Spring-mass chain**:在9自由度弹簧质量链上,RL选择39/81个振幅通道,F1-score达0.9879±0.0063,优于全特征LSTM-VAE(0.8167±0.0056)和BO-AE(0.9807±0.0062),召回率接近1,表明RL缓解了环境异质性导致的漏检。
- **4.2. Wooden bridge case study**:在Wooden Bridge实验上,RL选择57/126个模态振幅通道,F1-score为0.5670±0.0073,高于全特征(0.5065±0.0083)和BO-AE(0.5440±0.0152),精度和召回率均提升,验证了RL在真实环境下的损伤检测鲁棒性。
- **4.3. HBTA bridge benchmark**:在HBTA全尺寸桥梁上,RL选择312/600个模态坐标特征,F1-score达0.7818±0.0483,显著优于全特征(0.6764±0.0352)和BO-AE(0.2581±0.0244);统计验证(100次独立运行,配对Wilcoxon符号秩检验,p=8.85×10
-12)表明RL显著优于验证引导的随机搜索,效果量(rank-biserial effect size)为0.8545,证实改进源于策略引导探索而非单纯降维。
- **4.3.4. Sensitivity analysis of VMD**:固定VMD配置(α=100, K=2, DC=1)性能最佳,F1-score 0.7818;优化VMD(α=1000, K=5, DC=0)和未使用VMD的F1-score分别为0.5831和0.6542,表明VMD预处理提供稳定表示,且验证级优化可能过度拟合健康重建而牺牲异常分离性。
**讨论与结论**:
讨论指出,RL策略通过评估完整子集对下游检测的影响,替代了传统启发式选择,捕获了模态间的非线性联合模式。计算成本可接受(离线优化:弹簧质量2.10 min,Wooden Bridge 4.54 min,HBTA 9.61 min)。阈值(95%分位数)作为操作参数,可根据误报容忍度调整。结论翻译为:本文提出了一种RL-LSTM-VAE框架,用于基于振动的结构异常检测,其中强化学习策略仅使用健康数据学习模态特征的紧凑子集。在三个基准上,RL引导的特征选择改善了异常检测性能,减少了传感冗余,并支持更稳定的深度重建监测。未来工作将探索不同搜索配置、更长时窗及传感器集群级策略。