Méthodes d'apprentissage non supervisé pour la surveillance de la santé structurelle basée sur les vibrations : une revue

La détection de dommages structurels utilisant des méthodes d'apprentissage non supervisé a été un sujet tendance dans la communauté de recherche sur la surveillance de la santé structurelle (SHM) au cours des dernières décennies. Dans le contexte de la SHM, les méthodes d'apprentissage non supervisé s'appuient uniquement sur les données acquises à partir de structures intacts pour entraîner les modèles statistiques. En conséquence, elles sont souvent considérées comme plus pratiques que leur homologue supervisé pour mettre en œuvre un système de détection de dommages d'alerte précoce dans les structures civiles. Dans cet article, nous examinons les publications sur la surveillance de la santé structurelle basée sur les données de la dernière décennie qui reposent sur des méthodes d'apprentissage non supervisé avec un accent sur l'application réelle et la praticité. La détection de nouveauté utilisant des données de vibration est de loin l'approche la plus courante pour la SHM par apprentissage non supervisé et reçoit donc plus d'attention dans cet article. Après une brève introduction, nous présentons les études à la pointe de la technologie dans la SHM par apprentissage non supervisé, classées par types de méthodes d'apprentissage machine utilisées. Nous examinons ensuite les références qui sont couramment utilisées pour valider les méthodes de SHM par apprentissage non supervisé. Nous discutons également des principaux défis et limites dans la littérature existante qui rendent difficile la translation des méthodes de SHM de la recherche aux applications pratiques. En conséquence, nous soulignons les lacunes de connaissance actuelles et fournissons des recommandations pour les futures directions afin d'aider les chercheurs à développer des méthodes de SHM plus fiables.