利用深度學習進行訊號異常識別之方法比較及在線識別

周肇昱 ； 黃謝恭 ； 張家銘

《土木水利》 48卷2期 (2021/04) Pp. 32-39

https://doi.org/10.6653/MoCICHE.202104_48(2).0005

摘要

於各種民生基礎建設中，為確保結構的可靠性與安全性，常安裝有各式監測系統，以獲得相關之當前狀態。在長期的監測過程中，這些監測系統會生成大量的數據，其中亦包含許多異常訊號，最終會對結構健康監測（Structural Health Monitoring, SHM）與其應用（例如系統識別和損傷檢測）造成挑戰。因此，了解與探索結構健康監測系統之異常訊號至關重要，需研發仰賴高效自動檢測並分類異常訊號之技術。本研究嘗試、探索且比較了幾種常見的機械學習（Machine Learning）技術，結合數種不同的資料類型為輸入，訓練各式淺層和深層神經網絡，包括使用統計資訊的模式識別（Pattern Recognition，或稱圖形識別）網路、基於時間歷時的圖像式卷積神經網路（Convolutional Neural Network, CNN）與基於圖像式時頻混合卷積神經網路。為測試上述自動檢測與分類技術，使用中國一座大跨度斜張橋之一個月中所量測真實加速度訊號，透過不同模型訓練參數進行模型效能的相互比對。測試結果顯示，三種深度學習模型皆可以成功地檢測和分類六種不同的訊號異常。在這些方法中，經過重新訓練的GoogleNet能在準確性方面優於其他模型，並且可進行在線的自動化訊號異常識別，作為施行結構健康監測前檢查訊號品質不可或缺的工具。