Grundlagenmodelle für das strukturelle Gesundheitsmonitoring

Das strukturelle Gesundheitsmonitoring (SHM) ist eine kritische Aufgabe zur Gewährleistung der Sicherheit und Zuverlässigkeit von zivilen Infrastrukturen, die typischerweise an Brücken und Viadukten durch Vibrationserfassung realisiert wird. In diesem Papier schlagen wir erstmals die Verwendung von Transformer-Neuronalen Netzen mit einer Maskierten Auto-Encoder-Architektur als Grundlagenmodelle für SHM vor. Wir demonstrieren die Fähigkeit dieser Modelle, verallgemeinerbare Repräsentationen aus mehreren großen Datensätzen durch selbstüberwachtes Vortraining zu lernen, das in Verbindung mit aufgabenspezifischem Feintuning es ihnen ermöglicht, traditionelle Methoden des aktuellen Standes der Technik bei verschiedenen Aufgaben, einschließlich Anomalieerkennung (AD) und Verkehrslastschätzung (TLE), zu übertreffen. Wir erkunden dann umfassend den Kompromiss zwischen Modellgröße und Genauigkeit und experimentieren mit Wissensdistillation (KD), um die Leistung kleinerer Transformer zu verbessern, wodurch ihre Einbettung direkt in die SHM-Kantenknoten ermöglicht wird. Wir zeigen die Effektivität unserer Grundlagenmodelle anhand von Daten aus drei operativen Viadukten. Für AD erzielen wir eine nahezu perfekte Genauigkeit von 99,9 % mit einem Monitoring-Zeitraum von nur 15 Fenstern. Im Gegensatz dazu erzielt eine Methode des aktuellen Standes der Technik, die auf der Hauptkomponentenanalyse (PCA) basiert, ihr erstes gutes Ergebnis (95,03 % Genauigkeit), indem sie nur 120 Fenster berücksichtigt. Bei zwei verschiedenen TLE-Aufgaben erzielen unsere Modelle eine Leistung auf dem Stand der Technik bei mehreren Evaluierungsmetriken (R²-Wert, MAE% und MSE%). Beim ersten Benchmark erreichen wir einen R²-Wert von 0,97 und 0,85 für leichten und schweren Fahrzeugverkehr, während der beste vorherige Ansatz bei 0,91 und 0,84 stoppt. Beim zweiten erzielen wir einen R²-Wert von 0,54 gegenüber 0,10 der besten vorhandenen Methode.