本文提出了一种基于概率风险的决策框架,其中将基于群体的结构健康监测方法(PBSHM)应用于具有共同特征的结构群体,并以风力发电场的库存为例,展示了该方法的决策过程。
Mar, 2023
利用分层贝叶斯模型对海上风电场结构进行人口型结构健康监测,并推断预期的土壤刚度分布,以进行异常检测。
Feb, 2024
这篇论文介绍了一种基于仿真结构群体的传输策略决策过程,用于解决结构健康监测中的分类问题,并支持领域适应,通过计算信息传输的预期价值来预测目标领域的分类性能。
Nov, 2023
提出了一个基于期望信息传递价值的决策框架,通过优化信息传递策略,避免负面影响,以降低运营成本并提高安全性,以解决结构健康监测系统中标记训练数据有限的问题。
Jul, 2023
使用 Transformer 神经网络和自监督预训练技术进行结构健康监测,超过传统方法在异常检测和交通负荷估计等任务上的性能,并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。
Apr, 2024
该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法,通过融合卷积和循环结构,以及关注机制的重要集成,该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应,取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具,还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路,并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。
Aug, 2023
该论文提出了一种使用 POMDP 模型进行基础设施维护规划的方法,通过使用 MCMC 采样来从实际监控数据中直接估计模型参数并解决模型不确定性问题,最终成功地应用于铁路轨道资产的维护规划。
Dec, 2022
风力发电场操作者面临的重要挑战是降低运维成本。结构健康监测提供了通过最小化不必要的维护出差以及延长涡轮使用寿命来降低成本的手段。基于人口的结构健康监测可以通过为多个结构(即涡轮)实施一个系统来进一步减少健康监测系统的成本。同时,结构人口内共享的数据可能改善结构行为的预测。为了在人口 / 农场水平监测涡轮性能,一个重要的初始步骤是构建一个描述所有涡轮在正常条件下行为的模型。本文提出了一个能明确捕捉由尾流效应引起的涡轮之间的时空相关性的人口水平模型。所提出的模型是基于高斯过程的空间自回归模型,这里称为 GP-SPARX 模型。这种方法的发展有以下原因:(a) 它反映了我们对尾流效应的物理理解,(b) 它受益于基于随机数据的学习者。通过提供一个案例研究,展示了 GP-SPARX 模型在捕捉时空变化方面的能力,以及它在健康监测系统中的潜在适用性。
Oct, 2023
在多重检验问题中,通过引入结构适应的 Benjamini-Hochberg 算法,利用数据自适应权重重塑 P 值,可以更精确地控制错误发现率。
Jun, 2016
本文介绍了一种将 Bayesian 技术应用于实际工作中倾斜计数据的新方法,提供异常检测和预测,可广泛适用于所有工程 UQ 和结构健康监测 (SHM) 领域。