×
卡特琳娜·比戈尼;张振英;Hesthaven，Jan S。

无损伤状态下结构异常检测的系统传感器布置。 （英语） Zbl 1506.62536号

计算。方法应用。机械。工程师。 371，文章ID 113315，26 p.（2020）.
概述：在结构健康监测（SHM）中，风险评估和决策策略主要依赖于传感器响应。可以生成模拟数据来模拟不同自然操作和环境条件下的监测现象，以区分相关特征，从而识别潜在异常。降阶建模技术和一类机器学习算法可以有效地实现固定数量和位置的传感器的这一目标。然而，由于结构上可用的传感器数量通常是SHM的限制，因此识别使判别特征的可观察性最大化的最佳位置成为一项基本任务。在这项工作中，我们建议使用稀疏高斯过程的变分近似，在感兴趣的结构上系统地放置固定数量的传感器。通过聚类诱导输入，即变分推理的结果，包括结构的健康参数变化。该技术在几个数值例子中进行了测试，证明其在检测损伤方面是有效的。特别是，它允许考虑损伤类型和位置先验未知的现实情况，从而克服了SHM现有传感器放置策略的主要限制。

引用于1文件

MSC公司：

第60页 统计学在工程和工业中的应用；控制图
60G15年 高斯过程
2015年1月62日 贝叶斯推断
62K99型 统计实验设计
65C20个 概率模型，概率统计中的通用数值方法

关键词：

传感器布置;异常检测;稀疏高斯过程;变分推理;结构健康监测

软件：

科学Py;蟒蛇;红色工具箱;DEAP公司;索波尔.cc;PMTK公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Bigoni}等人，《计算》。方法应用。机械。Eng.371，文章ID 113315，第26页（2020年；Zbl 1506.62536）
全文： 内政部
OA许可证

参考文献：

[1] Farrar，C.R。；Worden，K.，《结构健康监测：机器学习视角》（2012），John Wiley&Sons
[2] 奥斯塔科维奇（Ostachowicz，W.）。；Soman，R。；Malinowski，P.，《结构健康监测传感器布置优化：综述》，《结构》。健康监测。，18, 3, 963-988 (2019)
[3] 迈克尔斯，J.E。；Michaels，T.E.，《板内原位损伤定位的导波信号处理和图像融合》，《波动》，44，6，482-492（2007）·Zbl 1231.94026号
[4] 噻吩，M。；Khodaei，Z.S。；Aliabadi，M.，复合材料结构损伤定位的最大面积覆盖（MAC）最佳传感器布置，Smart Mater。结构。，第25、9条，第095037页（2016年）
[5] Capellia，G。；Chatzi，E。；Mariani，S。；Azam，S.E.，《损伤检测传感器网络的优化设计》，Procedia Eng.，1991864-1869（2017）
[6] Huynh，D.B.P。；Knezevic，D.J。；Patera，A.T.，《一种静态凝聚简化基元方法：近似和后验误差估计》，ESAIM Math。模型。数字。分析。，47, 1, 213-251 (2013) ·Zbl 1276.65082号
[7] Papadimitriou，C.，结构系统参数识别的最佳传感器布置方法，J.Sound Vib。，278, 4-5, 923-947 (2004) ·兹比尔1236.74208
[8] Argyris，C。；乔杜里，S。；Zabel，V。；Papadimitriou，C.，使用应变测量识别结构中裂纹的贝叶斯最优传感器布置，结构。控制健康监测。，第25,5条，第2137页（2018年）
[9] 弗林，E.B。；Todd，M.D.，《结构健康监测传感器优化布置的贝叶斯方法及其在主动传感中的应用》，机械。系统。信号处理。，24, 4, 891-903 (2010)
[10] Lee，B。；Staszewski，W.，《兰姆波损伤检测的传感器位置研究》，Smart Mater。结构。，16, 2, 399 (2007)
[11] R.Soman，P.Malinowski，P.Kudela，W.Ostachowicz，导波传感器布局优化问题的分析、数值和实验公式，收录于：第九届EWSHM会议论文集，英国曼彻斯特，2018年，第10-13页。
[12] Long，J。；Buyukozturk，O.，使用一类机器学习的自动结构损伤检测，（土木结构动力学，第4卷（2014），施普林格），117-128
[13] 比戈尼，C。；Hesthaven，J.S.，《基于仿真的异常检测和损伤定位：结构健康监测的应用，计算》。方法应用。机械。工程，363，第112896条pp.（2020）
[14] Cressie，N.（空间数据统计。空间数据统计，Wiley-Interscience Publication（1991），J.Wiley）·Zbl 0799.62002号
[15] 克劳斯，A。；辛格，A。；Guestrin，C.，《高斯过程中的近最优传感器布置：理论、高效算法和实证研究》，J.Mach。学习。第9号决议，2月235-284日（2008年）·Zbl 1225.68192号
[16] 阿尔高，J.-P。；Bouriquet，B。；德卡索，F。；龚，H。；Maday，Y。；Mula，O.，基于广义经验插值法的核反应堆传感器布置，J.Compute。物理。，363, 354-370 (2018) ·Zbl 1392.82075号
[17] 布伦顿，B.W。；布伦顿，S.L。；Proctor，J.L。；Kutz，J.N.，《分类用稀疏传感器布局优化》，SIAM J.Appl。数学。，76, 5, 2099-2122 (2016) ·Zbl 1350.49037号
[18] 勒塞夫，M。；Allaire，D。；Willcox，K.，《动态数据驱动的在线飞行能力估算方法》，AIAA J.，53，10，3073-3087（2015）
[19] Taddei，T。；佩恩，J。；亚诺，M。；Patera，A.，基于模拟的分类；结构健康监测的模型降阶方法，Arch。计算。方法工程，25，1，23-45（2018）·Zbl 1390.74078号
[20] Quaranta，G。；洛佩兹，E。；Abisset-Chavanne，E。；Duval，J.L。；A.韦尔塔。；Chinesta，F.，《结合机器学习和降维技术的结构健康监测》，《国际评论》。梅托德。编号。卡拉尔。疾病。Ingr.公司。，35, 1 (2019)
[21] Kapteyn，M.G。；Knezevic，D.J。；Willcox，K.，《通过基于组件的降阶模型和可解释机器学习实现预测数字双胞胎》（AIAA Scitech 2020 Forum（2020）），0418
[22] Rosafalco，L。；曼佐尼，A。；Mariani，S。；Corigliano，A.，《通过多元时间序列分类进行结构健康监测的全卷积网络》（2020），arXiv预印本arXiv:2002.07032
[23] V·钱多拉。；班纳吉，A。；库马尔，V.，《异常检测：一项调查》，美国计算机学会。调查。（CSUR），第41、3、1-58页（2009年）
[24] 赫瑟文，J.S。；Rozza，G。；Stamm，B.，（参数化偏微分方程的认证约化基方法·Zbl 1329.65203号
[25] Quarteroni，A。；曼佐尼，A。；Negri，F.，《偏微分方程的约化基方法：简介》，第92卷（2015年），Springer
[26] Eftang，J.L。；Patera，A.T.，《大型构件合成结构的端口简化静态缩聚简化基元方法：近似和后验误差估计》，高级模型。模拟。工程科学。，1, 1, 3 (2014)
[27] 格雷夫斯，A。；北卡罗来纳州贾特利。；Mohamed，A.-r.，《使用深度双向LSTM的混合语音识别》，（2013年IEEE自动语音识别和理解研讨会（2013年），IEEE），273-278
[28] 古德费罗，I。；Y.本吉奥。；A.Courville，《深度学习》（2016）·Zbl 1373.68009号
[29] 威廉姆斯，C.K。；Rasmussen，C.E.，《机器学习的高斯过程》，第2卷（2006年），麻省理工学院出版社：麻省理学院出版社剑桥·Zbl 1177.68165号
[30] 威廉姆斯，C.K。；Rasmussen，C.E.，回归的高斯过程（神经信息处理系统进展（1996）），514-520
[31] Murphy，K.P.，《机器学习：概率观点》（2012），麻省理工出版社·Zbl 1295.68003号
[32] Quiñonero-Candela，J。；Rasmussen，C.E.，稀疏近似高斯过程回归的统一观点，J.Mach。学习。研究，1939-1959年12月6日（2005年）·Zbl 1222.68282号
[33] Smola，A.J。；Bartlett，P.L.，稀疏贪婪高斯过程回归，（神经信息处理系统进展（2001）），619-625
[34] Csató，L。；Opper，M.，稀疏在线高斯过程，神经计算。，14, 3, 641-668 (2002) ·Zbl 0987.62060号
[35] Seeger，M。；威廉姆斯，C。；Lawrence，N.，《加速稀疏高斯过程回归的快速向前选择技术报告》（2003年）
[36] 斯内尔森，E。；Ghahramani，Z.，使用伪输入的稀疏高斯过程，（神经信息处理系统进展（2006）），1257-1264
[37] Smola，A.J。；Schölkopf，B.，机器学习的稀疏贪婪矩阵近似（2000），Citeser
[38] Titsias，M.，稀疏高斯过程中诱导变量的变分学习，（人工智能与统计学（2009）），567-574
[39] 陈，Z。；Wang，B.，初始超参数的先验如何影响高斯过程回归模型，神经计算，2751702-1710（2018）
[40] python中的高斯进程框架（2012）
[41] Pimentel，医学硕士。；克利夫顿，D.A。；克利夫顿，L。；Tarassenko，L.，新颖性检测综述，信号处理。，99, 215-249 (2014)
[42] Virtanen，P。；Gommers，R。；奥列芬特，T.E。；哈伯兰，M。；Reddy，T。；库纳波，D。；Burovski，E。；彼得森，P。；Weckesser，W。；Bright，J.，SciPy 1.0：Python中科学计算的基本算法，《自然方法》，1-12（2020）
[43] 郭，H。；张，L。；张，L。；Zhou，J.，使用改进的遗传算法优化结构健康监测传感器的位置，Smart Mater。结构。，13, 3, 528 (2004)
[44] Davis，L.，《遗传算法手册》（1991），CumInCAD
[45] Sivanandam，S。；Deepa，S.，《遗传算法》（遗传算法导论（2008），Springer），15-37·Zbl 1129.90001号
[46] 克拉克·E。；Askham，T。；布伦顿，S.L。；Kutz，J.N.，《具有成本约束的贪婪传感器布局》，IEEE Sens.J.，19，7，2642-2656（2018）
[47] 福廷，F.-A。；F.-M.D.雷恩维尔。；加德纳，医学硕士。；Parizeau先生。；Gagné，C.，DEAP：进化算法变得简单，J.Mach。学习。研究，2171-2175年7月13日（2012年）
[48] 阿罗拉，P。；Varshney，S.，大数据的K-means和K-medoids算法分析，Procedia Compute。科学。，78, 507-512 (2016)
[49] 版本9.5（R2018b）（2018），The MathWorks Inc.：The MathWorks Inc.马萨诸塞州纳蒂克
[50] 帕克，H.-S。；Jun，C.-H.，一种简单快速的K-medoids聚类算法，专家系统。申请。，36, 2, 3336-3341 (2009)
[51] Joe，S。；Kuo，F.Y.，《用更好的二维投影构建Sobol序列》，SIAM J.Sci。计算。，30, 5, 2635-2654 (2008) ·Zbl 1171.65364号
[52] Akselos软件。2020https://akselos.com。
[53] 朔尔科普夫，B。；威廉姆森共和国。；Smola，A.J。；Shawe Taylor，J。；Platt，J.C.，新颖性检测的支持向量法（Advances in Neural Information Processing Systems，2000），582-588
[54] Sobol，I.M.，非线性数学模型的全局敏感性指数及其蒙特卡罗估计，数学。计算。模拟。，55, 1-3, 271-280 (2001) ·Zbl 1005.65004号
[55] Kucherenko，S.，《基于导数的全球敏感性度量及其与全球敏感性指数的联系》，数学。计算。模拟，79，10，3009-3017（2009）·Zbl 1167.62005年
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。