論文の概要: Fully convolutional networks for structural health monitoring through
multivariate time series classification
- arxiv url: http://arxiv.org/abs/2002.07032v1
- Date: Wed, 12 Feb 2020 21:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:41:59.365592
- Title: Fully convolutional networks for structural health monitoring through
multivariate time series classification
- Title（参考訳）: 多変量時系列分類による構造健康モニタリングのための完全畳み込みネットワーク
- Authors: Luca Rosafalco, Andrea Manzoni, Stefano Mariani, Alberto Corigliano
- Abstract要約: 構造健康モニタリング(SHM)への新たなアプローチを提案する。
広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。
損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel approach to Structural Health Monitoring (SHM), aiming at
the automatic identification of damage-sensitive features from data acquired
through pervasive sensor systems. Damage detection and localization are
formulated as classification problems, and tackled through Fully Convolutional
Networks (FCNs). A supervised training of the proposed network architecture is
performed on data extracted from numerical simulations of a physics-based model
(playing the role of digital twin of the structure to be monitored) accounting
for different damage scenarios. By relying on this simplified model of the
structure, several load conditions are considered during the training phase of
the FCN, whose architecture has been designed to deal with time series of
different length. The training of the neural network is done before the
monitoring system starts operating, thus enabling a real time damage
classification. The numerical performances of the proposed strategy are
assessed on a numerical benchmark case consisting of an eight-story shear
building subjected to two load types, one of which modeling random vibrations
due to low-energy seismicity. Measurement noise has been added to the responses
of the structure to mimic the outputs of a real monitoring system. Extremely
good classification capacities are shown: among the nine possible alternatives
(represented by the healthy state and by a damage at any floor), damage is
correctly classified in up to 95% of cases, thus showing the strong potential
of the proposed approach in view of the application to real-life cases.
- Abstract（参考訳）: 広汎なセンサシステムによって得られたデータから,損傷に敏感な特徴の自動識別を目的とした構造健康モニタリング(SHM)を提案する。
損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を介して取り組まれる。
物理モデル(監視対象構造物のディジタルツインの役割を担っている)の数値シミュレーションから抽出したデータに基づいて,異なる損傷シナリオを考慮したネットワークアーキテクチャの教師付きトレーニングを行う。
この単純化された構造モデルに頼ることで、異なる長さの時系列を扱うように設計されたFCNの訓練段階において、いくつかの負荷条件が考慮される。
ニューラルネットワークのトレーニングは、監視システムが動作を開始する前に行われ、リアルタイムの損傷分類を可能にする。
提案手法の数値的性能は,低エネルギー地震によるランダム振動をモデル化した2種類の荷重を受ける8階建てせん断建物からなる数値ベンチマークケースで評価した。
実際の監視システムの出力を模倣するために、構造物の応答に測定ノイズが加えられた。
非常に優れた分類能力が示され、9つの選択肢(健康状態や床の損傷など)のうち、ダメージは95%のケースで正しく分類され、現実のケースへの適用の観点から、提案手法の強い可能性を示す。
関連論文リスト
- Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。
しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。
様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
論文 参考訳（メタデータ） (2024-06-13T17:59:44Z) - On the Condition Monitoring of Bolted Joints through Acoustic Emission and Deep Transfer Learning: Generalization, Ordinal Loss and Super-Convergence [0.12289361708127876]
本稿では, 畳み込みニューラルネットワーク(CNN)を用いた深部伝達学習を用いて, 音響放射を用いたボルト付き関節のモニタリングを行う。
3本のボルトで接続された2本の細いビームからなる構造であるORION-AEベンチマークを用いて,本手法の性能評価を行った。
論文 参考訳（メタデータ） (2024-05-29T13:07:21Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳（メタデータ） (2023-06-13T12:43:59Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - Semi-supervised detection of structural damage using Variational
Autoencoder and a One-Class Support Vector Machine [0.0]
本稿では,構造異常を検出するためのデータ駆動型手法を用いた半教師付き手法を提案する。
IASC-ASCE 構造健康モニタリングタスクグループによって9つの損傷シナリオで試験されたスケールスチール構造に適用した。
論文 参考訳（メタデータ） (2022-10-11T07:39:08Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文 参考訳（メタデータ） (2022-02-25T01:50:22Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Online structural health monitoring by model order reduction and deep
learning algorithms [0.17499351967216337]
オンラインダメージローカリゼーションに向けたシミュレーションに基づく分類戦略を提案する。
提案手法は2次元ポータルフレームと3次元ポータルフレーム鉄道橋に関する2つのケーススタディによって検証されている。
論文 参考訳（メタデータ） (2021-03-26T08:40:41Z) - Sparse representation for damage identification of structural systems [11.397437423613418]
モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。
次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。
提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
論文 参考訳（メタデータ） (2020-06-06T18:04:35Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。