桥梁健康监测的未来：基于变分自编码器（VAE）与无监督学习（HUML）框架的早期损伤检

Akkio · 发表于 1773142398

研究背景：随着全球基础设施老化，桥梁作为交通的主要枢纽，其健康状况关系到社会的稳定与安全。长期以来，桥梁的健康监测（SHM）面临着数据缺失、环境与操作变异性（EOV）、标记数据不足等问题，这些挑战使得早期损伤检测变得尤为复杂。

本文提出了一种基于变分自编码器（VAE）的混合无监督学习（HUML）框架，旨在解决桥梁健康监测中的关键问题，特别是在严重的EOV影响和大量缺失数据情况下的早期损伤检测。该框架通过集成VAE与多个异常检测算法（如OCSVM、IF等），实现了高效的损伤预测和检测。

桥梁健康监测的难点

1️⃣ 损伤的早期检测困难

桥梁等基础设施的损伤往往是渐进的，尤其在早期阶段难以通过传统的检测手段发现。传统的检测方法依赖人工巡检，虽然能够发现明显的结构裂缝和磨损，但对于微小的、潜在的损伤却难以察觉。

2️⃣ 环境与操作变异性（EOV）影响

自然频率（NF）通常作为判断结构健康的指标，但环境因素如温度变化、湿度、风载及交通负载等因素常常干扰这些信号，导致误报和漏报。温度变化甚至能使NF出现突增，给损伤检测带来巨大挑战。

3️⃣ 缺失数据问题

在长期健康监测过程中，传感器故障、数据丢失或通讯中断常导致数据不完整，而这些缺失的数据如果没有妥善处理，可能影响后续的分析结果。

💡 基于变分自编码器（VAE）的无监督学习框架（HUML）解决方案

为了克服上述挑战，研究团队提出了一个基于变分自编码器（VAE）的混合无监督学习框架（HUML），该框架由四个关键步骤组成：

1️⃣ 初始数据分析（IDA）

在健康监测数据中，数据丢失是一个常见的问题。为了确保模型训练的有效性，必须对原始数据进行预处理。IDA步骤的主要任务是检测并移除缺失的数据，确保数据的完整性和准确性。具体来说，IDA包括两个阶段：训练阶段的离线处理和检测阶段的在线处理。

图1：初始数据分析流程

2️⃣ VAE特征学习

变分自编码器（VAE）是一种强大的无监督学习模型，能够在没有损伤标签的情况下，通过学习正常桥梁状态的特征，提取潜在的结构表现。VAE通过编码器将输入数据转换为潜在空间，并通过解码器重构原始输入数据，进而计算重构误差。

编码器：将原始数据映射到潜在空间。

解码器：从潜在空间恢复数据，通过重构误差来判断数据的异常。

图 2：VAE工作原理示意图

3️⃣ 无监督学习（HUML）应用

使用无监督学习方法（如OCSVM、LOF、DBSCAN等）对VAE提取的潜在特征进行进一步分析，以区分正常和损伤状态。通过这些算法，系统可以自动发现损伤而不需要任何人工标记。

4️⃣ 阈值估算：极值理论（EVT）

在传统的损伤检测中，阈值的设定通常是经验性的，容易导致误报。而在此框架中，使用极值理论（EVT）来建立一个更为可靠的阈值模型，进一步提高检测的准确性。

实验验证：Z24桥梁数据集的应用

为了验证该方法的有效性，研究团队使用了瑞士Z24桥梁的数据集，该数据集包含了长期的桥梁健康监测数据，包括自然频率（NF）等模态信息。在这个真实世界的数据集中，研究者通过加人为损伤，模拟了不同的环境条件和操作影响（EOVs），从而检验不同无监督学习方法的表现。

实验结果

通过对比六种不同的VAE-HUML模型，结果表明，VAE-OCSVM模型在早期损伤检测中表现最为出色，尤其在 精度（Precision）、召回率（Recall） 和 特异性（Specificity） 上，都取得了最佳成绩。

VAE-OCSVM：在处理环境噪声和缺失数据时表现出色，具有最高的鲁棒性。

VAE-IF和VAE-DBSCAN：则在检测早期损伤时表现较差，尤其是误报率较高。

图3：Z24桥梁与实验数据图

图4：Z24桥梁频率

模型性能对比：多种算法的优劣

为了更全面地评估所提框架的有效性，研究团队将六种模型的 决策错误、评估指标（Precision, Recall, Specificity） 和 鲁棒性 进行了详细比较。实验结果表明，VAE-OCSVM 优于其他模型，能够显著减少 假阳性（FP） 和 假阴性（FN） 错误。