دانلود مقاله ISI انگلیسی شماره 26007 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

رگرسیون بردار پشتیبان برای کشف نابهنجاری از سوابق اندازه‌گیری

عنوان انگلیسی
Support vector regression for anomaly detection from measurement histories
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
26007 2013 10 صفحه PDF 21 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

سفارش تولید محتوا کد تخفیف 10 درصدی: isiArticles
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Advanced Engineering Informatics, Volume 27, Issue 4, October 2013, Pages 486–495

فهرست مطالب ترجمه فارسی
چکیده


کلمات کلیدی


1.مقدمه


1. روش تحقیق


شکل 1. چارچوب معمول برای مدیریت پل.


2. رگرسیون بردار پشتیبان (SVR)


1.3. نظریه


شکل 2. فلوچارت روش کشف ناهنجاری پیشنهادی.


2.3. SVR برای کشف ناهنجاری


3. مدل عددی


شکل 3. مدل عددی شاه‌تیر پل با S-I (i=1,2,…,12) که محل حسگر FBG مفروض را نشان می‌دهد؛ عنصر آسیب‌دیده نزدیک S-2 است. 


شکل 4. توزیع دمایی برای مدل در شکل 3؛ پیکان‌ها مسیر افزایش دما را نشان می‌دهند.


4. نتایج


1.5. عملکرد مدل SVR


2.5. پساپردازش پیش‌بینی‌های SVR


شکل 5. دما (چپ) و تغییرشکل (راست) از حسگر S-2؛ خط فاصله‌ زمان شروع آسیب است.


شکل 6. مقایسه تغییرشکل پیش‌بینی‌شده و اندازه‌گیری شده برای سناریوی D1N3 به مدت 2 سال (چپ) و نمای درشتنمایی به مدت 2 هفته (راست).


شکل 7. سری‌های زمانی خطاهای پیش‌بینی   در حسگر S-D برای سناریوی D1 (چپ) و نتایج MFFT (راست)؛ خط تیره شروع آسیب را نشان می‌دهد.


شکل 8. سری‌های زمانی خطاهای پیش‌بینی   در حسگر S-D برای سناریوی D3 (چپ) و نتایج MFFT (راست)؛ خط تیره شروع آسیب را نشان می‌دهد.


شکل 9. سری‌های زمانی خطاهای پیش‌بینی   در حسگر S-D برای سناریوی D5 (چپ) و نتایج MFFT (راست)؛ خط تیره شروع آسیب را نشان می‌دهد.


3.5. عملکرد تحت اختلال و فعالیت‌های پرت


شکل 10. سری‌های زمانی دماهای گردآوری شده در S-2 برای سناریوهای D5O3، قبل (چپ) و بعد (راست) حذف فعالیت پرت.


4.5. بحث


شکل 11. سری‌های زمانی تغییرشکل‌های گردآوری شده در S-2 برای سناریوهای D5O3، قبل (چپ) و بعد (راست) حذف فعالیت پرت؛ خط تیره زمان شروع آسیب را نشان می‌دهد.


شکل 12. سری‌های زمانی خطاهای پیش‌بینی   در حسگر S-2 برای سناریوهای D5O3، بعد از پیش‌پردازش اندازه‌گیری دما/تغییرشکل برای فعالیت‌های پرت (چپ) و نتایج MFFT (راست)؛ خط تیره زمان شروع آسیب را نشان می‌دهد.


شکل 13. سری‌های زمانی خطاهای پیش‌بینی   (چپ) تولید شده پس از اجرای تحلیل IQR برای داده‌های شکل 12 و نتایج متناظر MFFT (راست)؛ خط تیره زمان شروع آسیب را نشان می‌دهد.


شکل 14. سری‌های زمانی خطاهای پیش‌بینی   در حسگر S-2 برای سناریوی D5N2 (چپ)؛ نتایج MFFT از سری‌های زمانی   (راست)؛ خط تیره زمان شروع آسیب را نشان می‌دهد.


جدول 1.زمان (به روز) برای کشف نابهنجاری روش پیشنهادی و MPCA [31] برای بازه‌ای از سناریو‌ها.


شکل 15. طرح مولفه متناظر با حسگر S-2 در مولفه اول اصلی MPCA اندازه‌گیری تغییرشکل برای سناریوی D1O1.


5. نتیجه‌گیری 
ترجمه کلمات کلیدی
- تشخیص موارد غیرعادی - رگرسیون بردار پشتیبانی - پردازش سیگنال - تفسیر داده ها - نظارت بر سلامت ساختاری
کلمات کلیدی انگلیسی
Anomaly detection,Support vector regression,Signal processing,Data interpretation,Structural health monitoring
ترجمه چکیده
این تحقیق به تحلیل اندازه‌گیری‌ها از ادراک پراکنده ساختارها می‌پردازد. این نوید وجود دارد که تغییرات دمایی محیط، و از این رو توزیع دما در سازه، همبستگی قوی با پاسخ سازه‌ای دارند و این رابطه را می‌توان برای کشف نابهنجاری استفاده کرد. به شکلی ویژه، این تحقیق ابتدا بررسی می‌کند آیا مدل‌های رگرسیون بردار پشتیبان (SVR) را می‌توان آموزش داد تا رابطه بین دمای پراکنده و اندازه‌گیری‌های پاسخ را بشناسد، و متعاقباً، آیا این مدل‌ها را می‌توان در رویکردی برای کشف نابهنجاری استفاده کرد. در این تحقیق روش تحقیقی برای تولید مدل‌های SVR ایجاد می‌شود که پاسخ حرارتی پل‌ها را از اندازه‌گیری‌های دمای پراکنده پیش‌بینی می‌کند و عملکردش را بر سوابق اندازه‌گیری شبیه‌سازی شده با استفاده از مدل‌های عددی شاه‌تیر پل ارزیابی می‌کند. کاربرد بالقوه این مدل‌های SVR برای کشف آسیب با مقایسه پیش‌بینی‌های تغییرشکل آنها با اندازه‌گیری‌های گردآوری شده از شبیه‌سازی‌های شاه‌تیر پل در شرایط آسیب‌دیده مطالعه شد. نتایج نشان می‌دهند که مدل‌های SVR که پاسخ سازه‌ای را از اندازه‌گیری‌های دمای پراکنده پیش‌بینی می‌کنند می‌توانند مبنایی برای روش کشف نابهنجاری معتبر ایجاد کنند. © 2013 شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.
ترجمه مقدمه
پل‌ها دارایی‌های ارزشمند زیرساخت بزرگراه ملی هستند و نگهداری و مدیریت‌شان هزینه‌ قابل ملاحظه‌ای برای اقتصاد دارد. در بریتانیا، مقامات محلی و شبکه ریلی [1] برآورد کردند که نیازمند بیش از 1.95 میلیارد پوند برای تعمیر و تقویت پل‌های موجود هستند. اداره بزرگراه فدرال (FHWA) [2] در ایالات متحده آمریکا خاطرنشان کرد تقریباً 24% پل‌های موجود کشور، در سال 2011، به لحاظ کارآمدی ساختاری یا به لحاظ کارکردی غیرقابل استفاده هستند. بنابراین، علاقه زیادی در میان جامعه مهندسین پل‌سازی به فناوری‌های نوآور و رویکردهایی است که هزینه‌های سبک زندگی مدیریت دارایی را کاهش می‌دهد. روش‌های ارزیابی فعلی اصولاً متکی بر بازرسی‌های دیداری است که نواقص ذیل را دارند: • آنها اغلب نمی‌توانند آسیب را در مراحل اولیه بیابند [3]؛ تعمیرهای برعهده گرفته شده در مرحله پیشرفته خرابی عموماً گسترده است و باعث اختلال ترافیکی قابل ملاحظه می‌شود. • آنها به ندرت داده‌های کافی برای توصیف صحیح رفتار سازه‌ای فراهم می‌کنند [3]. در نتیجه، برآوردهای ظرفیت سازه‌ای معمولاً محافظه‌کارانه است و هزینه‌های غیرضروری تقویت و جایگزینی را تحمیل می‌کند. نظام‌های پایشی پتانسیلِ غلبه بر این محدودیت‌ها را با قادرسازی کشف زودهنگام شروع آسیب، و ارزیابی صحیح رفتار و شرایط دارایی، دارند. در دهه اخیر، سیستم‌های پایش سلامت سازه‌ای (SHM) بارها بر پل‌هایی با عینیت ردگیری عملکرد بلادرنگ‌شان استقرار یافته است [3]. برای مثال، سه پل با دهنه بلند- پل تسینگ ما، پل کاپ شوی مان و پل تینگ کائو، به صورت مستمر با استفاده از بیش از 800 حسگر با نصب دائمی به عنوان بخشی از سیستم پایش سلامت سازه و باد (WASHMS) توسط اداره بزرگراه‌ها در هنگ‌کنگ پایش شد [4]. پیش‌بینی می‌شود حسگرهای بی‌سیم که از فناوری‌های برداشت انرژی سود می‌برند نصب سیستم‌های پایش آتی، و ذخیره‌سازی و انتقال داده‌های گردآوری شده را ساده‌تر کنند [5-7]. این تحولات ترسیم شده‌اند تا فناوری‌های زیربنایی را برای زیرساخت‌های هوشمند [8] آینده شکل دهند و به صورت مستمر محیط‌شان را درک کنند و شرایط دارایی بلادرنگ برای مدیریت اثربخش فراهم کنند. با این حال، این گذار عمدتاً وابسته به توسعه روش‌های اساسی برای پردازش و تفسیر سیل اندازه‌گیری‌های تولیدی با سیستم‌های حسگر است. وظیفه مهندسی معکوس تعریف وضعیت سیستم از اندازه‌گیری‌های غیرمستقیم اغلب به عنوان شناسایی سیستم سازه‌ای شناخته می‌شود [9]. تکنیک‌های شناسایی سیستم [10] را می‌توان به شکلی گسترده در دو گروه دسته‌بندی کرد: (1) روش‌های مبتنی بر مدل و (2) روش‌های داده‌ محور. روش‌های مدل محور یک یا چند مدل رفتاری سازه را پیش‌بینی می‌کنند که نمایشگر رفتار سازه‌ای اندازه‌گیری شده است. چون مدل‌ها مستقیم برای ارزیابی سازه‌ای مفید هستند، این روش‌ها به صورت گسترده توسط محققان در پایش سلامت سازه‌ای مطالعه شده‌اند (SHM). تعداد زیادی از افراد به ارزیابی پارامترهای مدل نظیر شکل خلق و خو، بسامدها و ممانعت از پایش مبتنی بر نوسان (VBM) پرداخته‌اند [3،11]. روش‌های مدل محور برای تفسیر اندازه‌گیری‌های ایستا نیز بررسی شده‌اند [12، 13]. به خصوص، استراتژی‌های چندمدلی [14، 15] که صریحاً برای مدل‌سازی و عدم‌حتمیت‌های اندازه‌گیری هستند برای تحلیل اندازه‌گیری‌ها از آزمون‌های بار ایستا پل‌ها در مقیاس کامل توسعه یافته و به شکلی موفق نشان داده شدند [16]. با این حال، چالش‌ها هنوز باقی مانده‌اند، دشوارترین‌ها تعیین مقدار اثر تغییرها در شرایط محیطی [11] و به خصوص، تغییرات دمایی هستند که برای تاثیرگذاری شدید بر پاسخ سازه‌ای شناخته می‌شوند [11، 17، 18]. اخیراً، کالپرافا و وارنیتچای [19] نشان دادند که مدل‌های رفتاری را می‌توان برای پیش‌بینی پاسخ حرارتی پل بتنی چند دهنه‌ای پیش‌‌تنیدگی از اندازه‌گیری‌های دمایی پراکنده توسعه داد. با این حال، تدوین مدل و شبیه‌سازی اغلب دچار تنگنای زمان و منابع هستند و بنابراین برای تحلیل حجم بزرگی از اندازه‌گیری‌ها مناسب نیستند [20]. برخلاف روش‌های مدل محور، روش‌های داده‌ محور نیازمند اطلاعات سازه‌ای حداقلی هستند و از این رو انتظارات زیادی برای تفسیر بلادرنگ اندازه‌گیری‌ها از پایش پیوسته ارائه می‌دهند. این روش‌ها تلاش دارند رفتار سازه‌ای ناهنجار را با ارزیابی این مطلب کشف کنند که آیا اندازه‌گیری‌های جدید به حدکافی از اندازه‌گیری‌های انجام شده منحرف هستند یا خیر در زمانی که به فرض وضعیت (پایه) سالم است. برای مثال، اندازه‌گیری‌های گردآوری شده خیلی زود بعد از ساخت را می‌توان فرض گرفت نمایشگر شرایط نرمال است و اندازه‌گیری‌های جدید را می‌توان در برابر این داده‌ها برای کشف آسیب مقایسه کرد. محققان تکنیک‌های آماری زیادی را برای تفسیر اندازه‌گیری‌های شبه-ایستا شامل تغییرشکل موجک [21]، تشخیص الگو [22] و مدل‌های میانگین متحرک خودرگرسیو بررسی کرده‌اند. با این حال، این روش‌ها تاثیرات تغییرات دمایی محیطی ندارند و بنابراین رفتار سازه‌ای غیرهنجار تنها در مراحل پیشرفته آسیب کشف می‌شود چون تغییرهای آسیب القایی در پاسخ سازه‌ای اغلب با تغییرهای بزرگتر با توجه به تغییرهای دمایی روزانه پنهان می‌شوند. مطالعات پایش بلندمدت قبلی نشان داده‌اند که تغییرهای دمایی روزانه و فصلی تاثیرگذاری عمده‌ای بر پاسخ سازه‌ای پل‌ها دارند [24، 25]، و اینکه این تاثیرگذاری می‌تواند فراتر از پاسخ به ترافیک وسیله نقلیه باشد [26]. کاتباس و همکاران [26] بر پل خرپا با دهنه بزرگ در ایالات متحده آمریکا نظارت کردند و مشاهده کردند که تفاوت‌های تغییرشکل نوک به نوک سالانه برای پل ده برابر بیش از حداکثر تغییرشکل تحت القاء ترافیک است. اندازه‌گیری‌های برگرفته از پل تامار در بریتانیا توسط کو و همکاران [27] نیز نشان داد که تغییرات دمایی محرک عمده تغییرشکل سازه هستند. بنابراین، علاقه قابل ملاحظه‌ای در جامعه SHM به تعیین مقدار اثر شرایط محیطی بر پاسخ سازه‌ای [28–30] است، و به خصوص، از آن برای کشف آسیب استفاده می‌شود. رویکرد کشف ناهنجاری که توس پوسناتو و همکاران [31,32] پیشنهاد شد متکی بر همبستگی‌ بین اندازه‌گیری‌های تغییرشکل و تغییرات دمایی فصلی است. با این حال، این رویکرد مبتنی بر تحلیل مولفه اصل جابجایی (MPCA) نیازمند مجموعه بزرگی از اندازه‌گیری‌های مرجع است و قادر به کشف رفتار ناهنجار نیست مگر اینکه آسیب خیلی شدید باشد. لائوری و همکاران [33] بعداً اهمیت شمولیت تاثیرات دمایی را در فرایند تفسیر با نشان دادن این مطلب مشخص کردند که حذف تغییرات دمای فصلی از سوابق اندازه‌گیری می‌تواند به شکلی منفی بر عملکرد MPCA تاثیرگذار باشد. با این حال، تحقیقات قبلی تاکنون تلاش داشته‌اند از رابطه ذاتی بین دمای پراکنده و اندازه‌گیری پاسخ برای کشف ناهنجاری استفاده کنند. در این تحقیق تلاش می‌شود به صورت صریح رابطه بین توزیع دمایی و پاسخ با استفاده از مدل‌های رگرسیون بردار پشتیبان (SVR) شناخته شود، و از این رابطه برای کشف آسیب استفاده می‌شود. SVR لزوماً از مفاهیم نظری یکسان همانند دستگاه‌های بردار پشتیبان (SVMs) استفاده می‌کند که گروهی از روش‌های یادگیری نظارتی با استفاده گسترده در جامعه رایانش برای وظایف دسته‌بندی است. SVRها در این تحقیق با توجه به کاربردهای بسیار مفیدشان برای کشف ناهنجاری در موضوعات پراکنده نظیر شبکه‌های کامپیوتری، امور مالی و پزشکی استفاده می‌شوند [34,35]. در حوزه مهندسی ساختمان، ری و تیزر [36] از SVR برای ایجاد نقاط کور برطبق وضع سر اپراتور ماشین‌آلات ساختمان استفاده کردند؛ در ادامه این نقشه‌ها ممکن است برای هشدار دادن به اپراتورها درباره حضور اشیاء در نقاط کورشان کمک کنند. SVRها قبلاً در کاربردهای SHM استفاده شدند. شنگچائو و همکاران [37] روش کشف خطای مبتنی بر SVR برای کشف ناهنجاری‌ها در سازه جنگنده‌های F-16 بدون نیاز به سنجش قبلی برای شرایط مشکل‌دار پیشنهاد کردند. کاربردهای دیگر در SHM شامل ارزیابی یکپارچگی سازه‌ای [38] و شناسایی سیستم سازه‌ای است [39]. SVR مشخص شده به شکلی اثربخش همبستگی‌های بین دما و بسامد نمایی را می‌شناسد [40]. با این حال، مطالعات قبلی کاربرد SVR را برای سنجش شبه-ایستا، کانون این تحقیق، بررسی نکرده‌اند. هدف این تحقیق ایجاد روشی سریع و قوی برای کشف ناهنجاری با بهره‌جویی از همبستگی‌های بین توزیع دمایی در بین سازه و پاسخ سازه سنجش شده است. در این مقاله ابتدا رویکردی برای ایجاد مدل‌های SVR از دمای توزیعی و سنجش پاسخ ارائه می‌شود. در ادامه، استراتژی استفاده از این مدل‌ها برای کشف ناهنجاری شرح داده می‌شود. این مقاله به ارزیابی امکان‌پذیری این روش برای سنجش می‌پردازد که از شبیه‌سازی‌های مدل‌های عددی نمایشگر شاه‌تیر پل در وضعیت سالم و آسیب‌دیده به دست آمده است. علاوه بر این، عملکرد این روش تحقیق در حضور اختلال و فعالیت‌های پرت در اندازه‌گیری‌ها ارزیابی خواهد شد.
پیش نمایش مقاله
پیش نمایش مقاله رگرسیون بردار پشتیبان برای کشف نابهنجاری از سوابق اندازه‌گیری

چکیده انگلیسی

This research focuses on the analysis of measurements from distributed sensing of structures. The premise is that ambient temperature variations, and hence the temperature distribution across the structure, have a strong correlation with structural response and that this relationship could be exploited for anomaly detection. Specifically, this research first investigates whether support vector regression (SVR) models could be trained to capture the relationship between distributed temperature and response measurements and subsequently, if these models could be employed in an approach for anomaly detection. The study develops a methodology to generate SVR models that predict the thermal response of bridges from distributed temperature measurements, and evaluates its performance on measurement histories simulated using numerical models of a bridge girder. The potential use of these SVR models for damage detection is then studied by comparing their strain predictions with measurements collected from simulations of the bridge girder in damaged condition. Results show that SVR models that predict structural response from distributed temperature measurements could form the basis for a reliable anomaly detection methodology.

مقدمه انگلیسی

Bridges are valuable assets of the national highway infrastructure and their maintenance and management imposes a significant cost on the economy. In the UK, local authorities and Network Rail [1] estimated that they would require over £1.95 billion for the repair and strengthening of their bridge stock. The Federal Highway Administration (FHWA) [2] in the USA noted that almost 24% of the country’s bridge stock was classified as structurally deficient or functionally obsolete in 2011. Therefore there is significant interest among the bridge engineering community in innovative technologies and approaches that reduce lifecycle costs of asset management. Current assessment procedures rely primarily on visual inspections, which have the following drawbacks: • They often fail to detect early-stage damage [3]; repairs undertaken at an advanced stage of deterioration are generally expensive and cause significant traffic disruption. • They seldom provide sufficient data for accurately characterising structural behaviour [3]. Consequently, estimates of structural capacity are typically conservative and impose unnecessary strengthening and replacement costs. Monitoring systems have the potential to overcome these limitations by enabling early detection of the onset of damage, and accurate evaluation of asset condition and behaviour. In the last decade, Structural Health Monitoring (SHM) systems have been deployed more frequently on bridges with the objective of tracking their real-time performance [3]. For example, three long-span bridges – Tsing Ma bridge, Kap Shui Mun bridge and Ting Kau bridge, are continuously monitored using over 800 permanently-installed sensors as part of the Wind and Structural Health Monitoring System (WASHMS) by the highways department in Hong Kong [4]. Wireless sensors that take advantage of energy-harvesting technologies are expected to further simplify the installation of future monitoring systems, and the storage and transmission of collected data [5], [6] and [7]. These developments are envisaged to form the underpinning technologies for smart infrastructures [8] of the future that continuously sense their environment and provide real-time asset condition for effective management. However, this transition is greatly dependent on the development of fundamental methodologies for processing and interpreting the deluge of measurements generated by sensing systems. The inverse engineering task of defining the state of a system from indirect measurements is often referred to as structural system identification [9]. System identification techniques [10] can be broadly classified into two categories: (i) model-based methods and (ii) data-driven methods. Model-based methods identify one or more behaviour models of the structure that are representative of measured structural behaviour. Since models are directly useful for structural assessment, these methods have been extensively studied by researchers in structural health monitoring (SHM). Many have focused on the evaluation of modal parameters such as mode shapes, frequencies and damping from vibration-based monitoring (VBM) [3] and [11]. Model-based methods have also been investigated for interpreting static measurements [12] and [13]. In particular, multi-model strategies [14] and [15] that explicitly account for modelling and measurement uncertainties have been developed and successfully illustrated for analysing measurements from static load tests of full-scale bridges [16]. However, challenges still remain, the most difficult being the quantification of the effect of variations in ambient conditions [11] and in particular, temperature variations which are known to greatly affect structural response [11], [17] and [18]. Recently, Kulprapha and Warnitchai [19] showed that behaviour models could be developed for predicting the thermal response of a multi-span pre-stressed concrete bridge from distributed temperature measurements. However, model development and simulation is often time and resource-intensive and thus not suited for analysing large volumes of measurements [20]. In contrast to model-based methods, data-driven methods require minimal structural information and hence offer a lot of promise for real-time interpretation of measurements from continuous monitoring. These methods attempt to detect anomalous structural behaviour by evaluating whether new measurements deviate sufficiently from measurements taken when the structure is assumed to be healthy (baseline) state. For example, measurements collected soon after construction could be assumed to represent the normal condition and new measurements could be compared against this data to detect damage. Researchers have investigated many statistical techniques for interpreting quasi-static measurements including wavelet transform [21], pattern recognition [22] and autoregressive moving average models [23]. However, these methods do not incorporate the effects of ambient temperature variations and therefore detect anomalous structural behaviour only at advanced stages of damage since damage-induced changes in structural response are often masked by larger changes due to diurnal temperature variations. Previous long-term monitoring studies have illustrated that daily and seasonal temperature variations have a great influence on the structural response of bridges [24] and [25], and that this influence may even exceed the response to vehicular traffic [26]. Catbas et al. [26] monitored a long-span truss bridge in the USA and observed that the annual peak-to-peak strain differentials for the bridge were ten times higher than the maximum traffic-induced strains. Measurements taken from the Tamar bridge in the UK by Koo et al. [27] also showed that thermal variations were the major driver of deformations in the structure. Therefore there has been considerable interest in the SHM community on quantifying the effect of ambient conditions on structural response [28], [29] and [30] and in particular, employ it for damage detection. The anomaly detection approach proposed by Posenato et al. [31] and [32] relies on correlations between strain measurements and seasonal temperature variations. However, this approach based on moving principal component analysis (MPCA) requires a large set of reference measurements and is also unable to detect anomalous behaviour unless damage is very severe. Laory et al. [33] later illustrated the importance of including temperature effects in the interpretation process by showing that eliminating seasonal temperature variations from the measurement histories could negatively affect the performance of MPCA. However, no previous study has yet attempted to exploit the inherent relationship between distributed temperature and response measurements for anomaly detection. This research attempts to explicitly capture the relationship between temperature distributions and response using support vector regression (SVR) models, and exploit this relationship for damage detection. SVR essentially employs the same theoretical concepts as support vector machines (SVMs), which are a class of supervised learning methods widely used in the computing community for classification tasks. SVRs are chosen in this research due to their many successful applications for anomaly detection in diverse subjects such as computer networks, finance and medicine [34] and [35]. In the civil engineering domain, Ray and Teizer [36] used SVR to create blind spot maps based on the construction machinery operator’s head pose; the maps could then aid in warning operators of the presence of objects in their blind spots. SVRs have also been previously used in SHM applications. Shengchao et al. [37] proposed a SVR-based fault detection method to detect anomalies in the structure of F-16 fighters without requiring prior measurements for a faulty condition. Other applications in SHM include structural integrity assessment [38] and structural system identification [39]. SVR has also been shown to effectively capture correlations between temperatures and modal frequencies [40]. However, previous studies have not examined the application of SVR for quasi-static measurements, the focus of this research. This research aims to develop a fast and robust method for anomaly detection by taking advantage of the correlations between temperature distributions across a structure and the measured structural response. The paper first presents an approach for generating SVR models from distributed temperature and response measurements. It then describes a strategy of using such models for anomaly detection. The paper evaluates the feasibility of this methodology on measurements that are obtained from simulations of numerical models representing a bridge girder in healthy and damaged states. It will also assess the performance of the developed methodology in the presence of noise and outliers in measurements.

نتیجه گیری انگلیسی

Conclusions from this study are as follows: • The relationship between distributed temperature and response measurements can form the basis for anomaly detection techniques that are faster and more accurate than the interpretation of the response time histories using MPCA. • SVR models can be trained to accurately predict the thermal response of a structure from distributed temperature measurements. • The prediction error, which is the difference between a prediction from a SVR model and a corresponding measurement, is a reliable indicator of damage. The time series of prediction errors can be analysed by MFFT for anomaly detection. • The proposed methodology that combines SVR and MFFT is shown to reliably detect anomalous structural behaviour from distributed response and temperature measurement in the presence of outliers and measurement noise. Future research will evaluate the developed methods on measurements from laboratory and full-scale structures. Work is also underway on extending these approaches to find the location of damage. Further investigation is required on the sensitivity of the SVR-based approach for anomaly detection to tuning parameters such as ν. A long-term research goal is to combine the developed methods with strategies that identify traffic loads on the structure.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.