《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A Self-Adaptive Mathematical Approach for Real-Time Structural Health Monitoring and Anomaly Detection Using Unsupervised Machine Learning
编辑推荐：
研究人员提出了一种新颖的、通用的数学框架，用于从密集传感器数据中实现完全自动化、实时的结构损伤检测。该无监督方法消除了对标记数据集、训练阶段或基于物理模型假设的需求。通过自适应学习阈值和自校准能力，实现了瞬时损伤识别。该框架能够直接从原始时间历史信号中检测损伤
研究人员提出了一种新颖的、通用的数学框架，用于从密集传感器数据中实现完全自动化、实时的结构损伤检测。该无监督方法消除了对标记数据集、训练阶段或基于物理模型假设的需求。通过自适应学习阈值和自校准能力，实现了瞬时损伤识别。该框架能够直接从原始时间历史信号中检测损伤，且只需最小预处理和低成本传感。该框架可跨结构、材料和传感配置转移，实现广泛的基础设施适用性。
**论文解读：基于无监督机器学习的自适应实时结构健康监测与异常检测**
**研究背景与问题**
随着全球大量民用基础设施（如桥梁）达到或超过原设计寿命，结构健康监测（SHM）成为延长服役寿命、降低维护成本的关键策略。传统无损检测（NDT）方法（如视觉检查、超声、声发射）通常局限于局部区域，依赖定期检查，且劳动密集、成本高昂，难以发现深部或隐蔽缺陷。基于振动的损伤检测方法虽能利用环境激励实现全局评估，但现有方法大多为离线处理，依赖有限元模型（FEM），对初始或微小损伤敏感性低，且计算复杂度高。此外，监督式机器学习（ML）需要大量标记损伤数据，而实际在役结构难以获取此类数据。因此，亟需一种无需标签数据、无需物理模型假设、能够实时自适应处理大量传感器数据的无监督框架。
**研究内容与结论**
研究人员提出了一种基于无监督机器学习（UML）的自适应数学框架，旨在从振动信号中实时识别结构损伤。该框架利用符号数据分析（SDA）实现特征提取与压缩，通过聚类集成方法量化信号变化程度（DoV），并采用非参数核估计方法动态设定自适应阈值，实现异常检测。通过对数值模拟钢梁（自由-自由梁，碳钢材料）和实验混凝土柱（英国南安普顿大学UKCRIC实验室）的验证，该框架能在4秒时间窗口内即时检测损伤起始，损伤检测率在数值模拟中达90%（9/10窗口），在实验柱A和B中分别持续检测至后续大多数窗口，且无虚警。该研究的重要意义在于提供了一种完全自动化、可跨结构类型和材料转移的实时监测方案，显著降低了分析时间和成本，减少人为偏差。论文发表在《RELIABILITY ENGINEERING》。
**关键技术与方法**
1. **符号数据分析（SDA）**：将原始加速度时间序列通过时域振幅直方图和频域能量直方图转换为符号化对象（histogram-valued data），实现数据压缩与信息保留。
2. **聚类集成选择**：构建包含36种基础划分（5种距离度量×6种聚类算法）的库，通过归一化互信息（NMI）和调整兰德指数（ARI）选择高质量、高多样性的10个划分，利用共关联矩阵生成最终划分，并计算最大簇间距离作为损伤指标（DoV）。
3. **非参数核估计阈值**：基于历史DoV值，采用核密度估计计算95%分位数作为自适应阈值，无需假设数据分布。
样本队列来源：数值模拟采用ABAQUS建立的钢梁FEM模型；实验数据来自英国南安普顿大学UKCRIC国家基础设施实验室的加速腐蚀混凝土柱（柱A和柱B），通过锤击试验获取加速度响应。
**研究结果**
**5.1 数值模拟（Numerical modelling）**
通过模拟自由-自由钢梁（长度520mm，损伤为局部截面缩减），生成120秒时间序列（含10个4秒完整段、10个4秒损伤段、10个4秒完整段）。框架在损伤起始的第11个时间窗口（40-44秒）立即检测到损伤，DoV超过阈值，并在后续9个窗口（除窗口15外）持续报警，检测率90%。窗口21-24因状态切换出现短暂误报，但系统在连续两个窗口DoV低于阈值后自动重新校准，恢复正常。
**5.2 实验测试（Experimental tests）**
对两根腐蚀混凝土柱（柱A：12个完整段+12个腐蚀段；柱B：8个完整段+8个腐蚀段）进行实时监测。框架在柱A的第13个窗口（48-52秒）和柱B的第9个窗口（32-36秒）立即检测到损伤起始，后续大多数窗口持续报警（柱A除窗口14外，柱B除窗口13外）。自然频率对比（表2）与参考文献[93]完全一致（误差0%），验证了方法的准确性。
**讨论与结论**
讨论部分指出，该框架无需物理模型或标记数据，直接处理原始传感信号，且通过自适应阈值有效区分结构性变化与噪声干扰，误报率低。损伤检测后自动冻结阈值更新，避免损伤数据污染基线，并在连续正常窗口后重新校准，实现长期自适应。
**研究结论翻译**：
本研究提出了一种创新的无监督机器学习（UML）数学框架，能够实现精确、完全自动化的实时损伤检测。该方法智能监测并解释密集传感器网络产生的大规模数据流中的变化，特别适用于基于振动的结构健康监测（SHM）。通过数值模拟和实验验证（钢梁和混凝土柱），该框架在损伤数据引入后的首个4秒时间窗口内立即检测到损伤，所有被研究场景的首次损伤窗口检测率达100%，且健康监测期间无虚警。此后，算法持续指示损伤，直至损伤数据结束。系统在检测到损伤后，需至少连续两个窗口的DoV低于阈值才能重新校准，体现了自适应能力。该研究证明：所提出的自动化监测系统在快速识别结构劣化和损伤方面表现优异，检测过程瞬时且高度准确；该数学框架具有通用性，可跨不同结构类型和材料属性检测损伤；框架直接处理原始传感器数据，仅需最小预处理，降低了分析成本和时间。
