《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：An Adaptive Unsupervised Structural Health Monitoring Framework Using Exclusion-Aware Convolutional Autoencoders
编辑推荐：
结构健康监测（SHM）在确保土木结构安全性和耐久性方面发挥着重要作用。在各种SHM方法中，自编码器因其从复杂数据集中提取有意义特征的能力，已被证明对异常检测特别有效。本研究聚焦于卷积自编码器（CAEs）作为SHM工具，强调其在识别结构变化方面的效率，尤其是在通
结构健康监测（SHM）在确保土木结构安全性和耐久性方面发挥着重要作用。在各种SHM方法中，自编码器因其从复杂数据集中提取有意义特征的能力，已被证明对异常检测特别有效。本研究聚焦于卷积自编码器（CAEs）作为SHM工具，强调其在识别结构变化方面的效率，尤其是在通过优化参数进行微调时。研究人员提出了一种异常检测框架，该框架将CAE网络的顺序重训练与排除逻辑策略相结合。采用两个案例研究来评估该方法：（i）一个在实验室测试的铝制平面框架，在脉冲荷载下经受五种质量添加场景；（ii）Z24桥，一个暴露于模拟沉降损伤的全尺寸结构。关键超参数，包括潜在空间维度、卷积核大小和小批量大小，被优化以最大化模型性能。分析在频域中使用马氏距离（Mahalanobis distance）作为统计异常检测指标，而非物理损伤严重性的度量。尽管有意识地排除了环境变异性，所提出的策略仍表现出良好的泛化能力、对不同监测场景的无缝适应性以及在训练和验证数据集上的鲁棒性。
**论文解读：基于排除感知卷积自编码器的自适应无监督结构健康监测框架**
**研究背景、问题与意义**
结构健康监测（SHM）是保障土木结构（如摩天大楼、大坝、桥梁等）安全性与耐久性的关键技术。早期损伤识别有助于防止结构失效并延长其服役寿命。然而，传统SHM方法常依赖模态参数（如固有频率、阻尼比）的变化，这些参数易受环境因素（温度、风、太阳辐射）和运营条件（车辆荷载）影响，导致性能下降。此外，许多现有方法基于监督学习，需要大量预标记的损伤与未损伤状态数据，这在真实工程中成本高昂且不切实际。因此，开发无监督、自适应且能区分多种异常状态的SHM框架具有重要价值。本研究聚焦于卷积自编码器（CAE），提出一种结合排除逻辑、顺序重训练及马氏距离（MD）控制图的异常检测策略，旨在解决现有静态、非自适应方法无法区分多重渐进损伤状态或无标签情况下检测未知数量异常级别的问题。论文发表在《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》。
**关键技术与方法**
本研究采用的主要技术方法包括：（1）卷积自编码器（CAE）用于从频域动态响应中提取压缩潜在特征；（2）排除逻辑策略，通过顺序训练多个CAE模型（每个模型对应一个已识别的结构状态），并基于马氏距离（MD）控制图的异常检测结果逐级排除已知状态，从而识别新异常；（3）超参数网格搜索（grid search）优化潜在空间维度、卷积核大小及小批量大小；（4）频域分析，利用快速傅里叶变换（FFT）将归一化后的加速度信号转换为频谱作为输入；（5）统计过程控制，以训练数据MD分布的95%分位数作为控制上限（UCL）。案例数据来源：实验室铝制平面框架（巴西茹伊斯德福拉联邦大学成像与信号实验室）及Z24桥（瑞士）的强制振动测试。
**研究结果**
**4.1 二维实验室框架**
通过五质量添加场景下的冲击荷载实验，研究人员训练了五个CAE模型（对应五个结构状态）。控制图显示，所有测试数据的MD均显著超过95%分位数阈值，而训练和验证数据保持低MD，表明模型有效区分了已知与未知状态。混淆矩阵显示总体准确率超过94%（Model #1: 98.2%±0.1%，Model #4: 94.2%±1.8%），且MD值随结构状态偏离训练域而增大，提供相对严重性指示。敏感性分析确认95%分位数阈值在准确率与假阳性率间取得最佳平衡。五折交叉验证控制图进一步验证了结果的稳定性。与直接使用重构误差（MSE）相比，潜在空间MD在参考分布上表现出更紧凑的稳定性，尤其在后期模型中。
**4.2 Z24桥**
针对四个渐进沉降损伤场景，研究人员训练了四个CAE模型。控制图显示所有测试数据MD均远超阈值，且训练/验证数据MD低，表明模型泛化良好。混淆矩阵准确率从99.5%±0.1%（Model #1）至97.3%±0.2%（Model #3），且无损伤信号被误分类为正常（零假阴性）。然而，MD与沉降幅度间未呈现单调关系，因此MD仅作为统计偏差指标，而非物理损伤严重性度量。敏感性分析同样确认95%分位数阈值表现稳健。五折交叉验证控制图一致显示测试数据MD显著高于UCL。MSE阈值方法在该案例中失效（Model #2和#3中测试数据均值低于UCL），进一步凸显潜在空间MD的优势。
**讨论与结论**
讨论部分指出，该框架的关键优势包括：无需预标记数据、通过排除逻辑实现知识自动更新、MD控制图提供直观解释。超参数优化仅需对第一个模型进行，后续模型复用配置，在性能与计算效率间取得平衡。实验室框架实验验证了方法在受控条件下的敏感性；Z24桥案例则在真实全尺寸结构上展示了有效性，但MD与损伤严重性间缺乏一对一对应关系，需未来结合物理校准。主要挑战包括：重训练的计算成本、对离散非重叠异常状态的假设，以及样本协方差矩阵条件数在极端情况下的潜在不稳定。研究结论翻译如下：
“所提出的策略展现出良好的泛化能力、对不同监测场景的适应性以及在训练和验证集上的鲁棒性。尽管存在挑战，但结果证实这种基于CAE的策略为结构异常检测提供了一个实用且可解释的无监督框架，为更主动、数据驱动的基础设施维护策略提供了有力支持。”
