基于振动传感器信号与自校准卷积(SCConv)孪生对比预训练的小样本跨桥梁损伤诊断

《Sensors》:Few-Shot Cross-Bridge Damage Diagnosis from Vibration Sensor Signals via Siamese Contrastive Pretraining with Self-Calibrated Convolution

【字体: 大 中 小 】 时间:2026年07月02日 来源:Sensors 4.0

编辑推荐:

  摘要:部署于桥梁的振动传感器网络在健康运营阶段持续产生大量无标签测量数据,而特定目标桥上的有标签损伤记录却极为稀缺——这种长期存在的数据非对称性制约了数据驱动的结构健康监测(SHM)。现有方案要么依赖源桥有标签数据,要么借用计算机视觉的数据增强流程与编码器,但

  
摘要:部署于桥梁的振动传感器网络在健康运营阶段持续产生大量无标签测量数据,而特定目标桥上的有标签损伤记录却极为稀缺——这种长期存在的数据非对称性制约了数据驱动的结构健康监测(SHM)。现有方案要么依赖源桥有标签数据,要么借用计算机视觉的数据增强流程与编码器,但难以匹配一维振动信号。本研究提出一种两阶段框架:首先在源桥上对无标签响应进行孪生对比预训练,学习环境不变表征;然后在目标桥上以少量有标签样本进行小样本微调。该研究的贡献包括:(i)面向信号域的增强策略,将传感器级损坏与运行级波动解耦,并通过频带随机掩蔽模拟跨桥梁扰动;(ii)将一维自校准卷积(SCConv)编码器嵌入停止梯度(stop-gradient)孪生学习器,扩大感受野并增强通道间耦合,以捕捉多传感器记录中的稀疏损伤特征;(iii)可迁移性分析,形式化地把对比不变性目标与期望跨桥梁风险的上界联系起来。在Z24基准桥及由四种构型组成的自建实验室桥梁群上,该方法在5-shot设置下分别取得0.913(Z24→Lab)和0.892(Lab→Z24)的宏平均F1(macro-F1),超出十一个基线方法3.4–37.1个百分点。
桥梁是现代交通网络的承重动脉,疲劳、腐蚀、环境循环与极端气候的耦合作用使其及时损伤诊断成为公共安全与资产管理的关键。结构健康监测(SHM)经过数十年发展已成为常规工程实践,桥上传感器阵列持续输出加速度、应变、位移和环境观测。深度神经网络在识别一维振动信号中的损伤特征方面取得显著进展,但环境变异性仍是可靠数据驱动SHM的主要障碍。更根本的瓶颈是数据非对称性:健康状态下的无标签环境响应可以积累数年且相当丰富,而有标签的损伤记录由于不能对服役桥梁进行破坏性试验而天然稀缺,新建或尚未记录损坏事件的桥梁更是如此。这种稀缺性导致监督分类器难以在每个单体结构上获得足够多样的训练样本。

现有三类方法各有不足。基于桥梁群的SHM(PBSHM)通过迁移学习在手工模态特征(如固有频率)间共享损伤标签,但该过程既丢弃时域信息,又要求源桥具备与目标桥一致的有标签损伤类别。小样本元学习通过模拟低样本任务直接应对目标侧标签稀缺,但需要源域拥有足够多样的有标签语料库来构造有意义任务,而振动桥梁SHM的源桥本身常缺乏损伤实例。自监督对比学习能绕过标签需求,然而计算机视觉中的裁剪、颜色抖动、高斯模糊等增强在一维振动信号中没有直接物理对应,常用的ResNet-50或Vision Transformer等编码器对传感器数量而言过大、对时域感受野而言不足,难以处理长时程、低频、损伤稀疏的桥梁响应。

针对上述问题,研究人员提出了一种两阶段统一框架:在源桥大量无标签响应上进行孪生对比预训练,学习环境不变表征;随后将预训练编码器迁移到新桥,并仅使用少量有标签样本微调分类头;底层采用无负样本的孪生对比学习方法SimSiam,以避免标签稀缺的桥梁振动数据中出现伪负样本,并降低小批量部署难度。其学术意义在于:无需对目标桥进行长期破坏性试验即可实现较高精度的损伤诊断;预训练编码器可在结构形式相似的桥梁群中复用,摊薄部署成本;形式化的迁移性分析为跨域泛化提供了理论保证。该论文发表于《Sensors》。

关键技术方法可概括为:数据来自Z24实桥(6通道,7种损伤)与自建四构型铝桥(22通道,每构型9种损伤)。方法:对一维振动信号,用随机丢弃和加性高斯噪声模拟传感器级损坏,用幅度缩放、时窗偏移和频带随机掩蔽模拟运行级波动,生成同一样本的两视图;再通过停止梯度孪生SimSiam学习器与一维自校准卷积(SCConv)编码器提取表征,以投影/预测多层感知机(MLP)和负余弦相似度损失拉近两视图。理论上,该对比不变目标被联系于期望跨桥梁风险上界,说明增强流形覆盖源–目标扰动可压缩特征分布差异。微调仅保留编码器并附加轻量分类头,以少量目标标签训练,头与编码器学习率相差十倍。

研究结果如下。在“Cross-Bridge Few-Shot Diagnosis Performance”部分,双向跨桥迁移显示宏平均F1(macro-F1)在K=1至K=5快速上升后趋于平稳,5-shot分值在Z24→Lab与Lab→Z24方向分别为0.913与0.892;Z24→Lab方向略优,归因于Z24预训练语料覆盖更丰富的自然环境变化。在“Comparison with State-of-the-Art Methods”部分,K=5 Z24→Lab设定下所提方法在统计上显著优于全部基线;相对最强基线MS-DA领先3.4个百分点,较BYOL高6.2个百分点,较MAML高16.5个百分点,较从头训练高出37.1个百分点,呈现自监督预训练优于监督迁移、监督迁移优于元学习、元学习优于从头训练的性能顺序。

在“Ablation Study”部分,三部分消融验证设计决策。编码器选择上,SCConv优于普通一维卷积、一维ResNet及引入SE/CBAM注意力的网络,相对普通一维卷积提升6.7个百分点;预训练目标上,SimSiam在对比学习方法中表现最佳,再次确认其小批量可行性与无伪负样本优势;增强组件上,幅度缩放作用最大,去除后5-shot宏观F1下降3.5个百分点,频带随机掩蔽贡献2.1个百分点,单独保留传感器级或运行级增强分别导致6.2与4.0个百分点的下降,证明二者互补。

在“Bidirectional Cross-Bridge Transferability”部分,方法在全部8个迁移方向上均保持优势,相对MS-DA领先3.4–4.0个百分点;但B3(两跨构型)与Z24之间的迁移最难,因为结构形式差异使理想联合风险λ增大。在“Empirical Verification of the Transferability Bound”部分,特征空间分布差异测量支持理论:从原始信号到所提表征,Proxy A距离与切片Wasserstein距离(SWD)单调下降,宏观F1同步上升;增强源与目标间SWD从1.31降至0.86,下降约34%,说明增强流形吸收了大部分源–目标差异;B3的残余差异最大,与双向迁移结果一致。

在“Robustness to Sensor Noise”部分,测试时向目标桥信号注入0 dB加性高斯噪声,所提方法相对清洁数据的宏观F1下降23.1个百分点,优于MS-DA的29.8、FaultFormer的30.6和BYOL的34.9,且信噪比越低优势越明显。在“Case Study: Detection of a Predefined Physical Damage”部分,针对Z24最轻微的20 mm桥墩沉降D1,5-shot二分类(任何损伤与健康)准确率达98.7%,D1被正确标记为损伤的比例为96.1%,特异性97.8%;误分的D1窗口中至少88%被归入相邻严重等级D2或D3,不到6%被错分为健康,显示实质性漏检率很低。

在“Parametric Studies”部分,预训练语料从10%增至100%使5-shot宏观F1从0.831升至0.913,60%后收益递减;SCConv下采样率r=4时最佳;投影MLP三层时最高;预训练批量大小在32–256之间仅影响约1.2个百分点,验证了SimSiam的小批量优势;以50%重叠窗扩充5-shot训练池,宏观F1从0.913变为0.915,差异在统计误差范围内,说明信号级增强已足以扩充多样性。在“Computational Cost”部分,所提框架参数量与计算量介于BYOL与FaultFormer之间,远轻于Transformer预训练,而MS-DA虽紧凑但依赖手工模态特征提取,不完全可比。

讨论部分将这些结果与迁移性界统一解释:增强策略显式覆盖主要跨桥变化轴,SCConv的长程感受野捕捉稀疏损伤特征,SimSiam使编码器对增强流形保持不变,因此少量有标签样本即可校准线性分类器。传感器噪声鲁棒性曲线进一步表明,由于预训练中已包含类似测试时的传感器损坏,编码器学会将其视为可忽略噪声。研究人员同时指出该框架的适用边界:源桥与目标桥的结构形式差异必须落在增强流形内,B3与Z24双向迁移已接近该边界,若结构类型根本不同(如斜拉桥与石拱桥),不可约联合风险λ将主导迁移界;损伤模式须落在预训练数据覆盖的频带内,高频现象需补充传感方式。实际部署时,预训练无需标签,编码器可在同形式桥梁群中复用,微调在普通硬件上数分钟即可完成;但若目标环境超出源桥覆盖范围,不变性无法保证。研究人员还认为,该数据驱动框架与基于有限元模型(FEM)的物理诊断互补,二者混合是未来方向。

结论:跨桥梁结构损伤诊断受限于源侧无标签响应丰富而目标侧有标签损伤实例稀缺这一根本非对称性。本研究通过将具有物理意义的孪生对比预训练与一维自校准卷积(SCConv)编码器相结合,使模型能够从源桥无标签数据中提取环境不变表征,并仅用少量有标签样本即可快速适配到未见桥梁。在Z24与实验室桥梁群的双向基准上,5-shot宏平均F1分别达到0.913和0.892,优于所有参与比较的先进方法;其中超过从头训练37个百分点以上。组件消融确认增强策略、SCConv编码器和SimSiam目标均不可或缺;在测试集加性噪声降至0 dB时,宏平均F1仅下降23个百分点,而最强基线下降30–35个百分点。这些结果说明增强驱动的不变性可在群体级SHM中替代精细的特征工程。未来工作将探索异构多源预训练以扩展增强流形、将环境协变量作为辅助分类输入、发展在线增量微调,最终实现数据–物理混合的城市交通网络规模部署。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号