用于结构健康监测时间序列数据集无监督异常检测的贝叶斯条件深度卷积生成对抗网络(Bayesian Conditional Deep Convolutional GAN, BcDCGAN)
《Sensors》:Bayesian Conditional GAN for Unsupervised Anomaly Detection in Structural Health Monitoring Time-Series Dataset
编辑推荐:
摘要:在无标记故障数据条件下检测罕见结构损伤仍是结构健康监测(Structural Health Monitoring, SHM)领域尚未解决的关键难题。预应力混凝土接触网支柱(prestressed concrete catenary pole)是高速铁路基
摘要:在无标记故障数据条件下检测罕见结构损伤仍是结构健康监测(Structural Health Monitoring, SHM)领域尚未解决的关键难题。预应力混凝土接触网支柱(prestressed concrete catenary pole)是高速铁路基础设施的关键构件,其退化若未被发现将危及安全性与服务可靠性。本文提出BcDCGAN——一种贝叶斯条件深度卷积生成对抗网络(Bayesian Conditional Deep Convolutional Generative Adversarial Network, BcDCGAN),用于三座在役接触网支柱多变量振动时间序列的无监督异常检测。模型仅以健康加速度信号结合风速条件变量进行训练,学习正常结构动力学特征,并产生融合重构质量、对抗判别评估及认知不确定性(epistemic uncertainty)的不确定性异常评分,将其整合为单一决策函数。基于健康验证数据通过自适应数据驱动阈值进行估计,使该方法可在无损伤标签情况下实际部署。在2017年真实接触网支柱数据集(1606条信号,按70/10/20划分)上注入具有物理动机的损伤类模式后,BcDCGAN实现了高异常召回率,具备可解释的确定性信号及正常与异常潜变量表示的清晰分离。结果表明,贝叶斯条件GAN可在变化环境与运营条件下支持铁路基础设施的风险感知监测。
论文解读:用于结构健康监测时间序列数据集无监督异常检测的贝叶斯条件深度卷积生成对抗网络(BcDCGAN)
研究背景与意义
结构健康监测(Structural Health Monitoring, SHM)中时间序列异常检测对安全关键基础设施至关重要,但未检测到的故障可能导致灾难性失效与重大经济损失。实际应用中面临四大挑战:受环境及运营条件影响的非平稳噪声传感器信号;违背独立同分布假设的长时依赖关系;异常样本极稀少(不足0.1%);训练阶段完全无标记故障样本。传统有监督方法不可行,经典无监督方法如基于距离的方法、统计阈值法、一类支持向量机(One-Class SVM)及高斯混合模型(Gaussian Mixture Model, GMM)等因假设平稳性或简单分布形式,难以捕捉SHM振动信号的复杂时变动力学与环境变化,判别力显著下降。标准生成对抗网络(Generative Adversarial Network, GAN)虽可通过学习正常数据分布进行无监督异常检测(高重构误差或低判别器置信度为异常),但普通GAN难以处理非平稳多变量时间序列且无法提供显式认知不确定性量化。现有GAN变种(TAnoGAN、DCGAN+Bi-LSTM、BiGAN)亦缺乏本征不确定性量化且较少引入环境条件和专为SHM非平稳信号优化的时序因果结构。因此,研究人员提出将贝叶斯推理、条件对抗训练和时序因果网络(Temporal Causal Network / Temporal Convolutional Network, TCN)融合的BcDCGAN架构,以解决上述空白,论文发表于《Sensors》。
主要关键技术方法
研究人员采用德国Erfurt–Leipzig高速铁路线上三座在役预应力混凝土接触网支柱2017年实测数据集,中心柱M27采集沿铁路方向(x轴)加速度信号及同步三维风速仪数据,共1606条加速度信号(每条114688时间戳),按70/10/20划分为训练集(1124)、验证集(160)与测试集(322)。风速序列提取时域与频域15维统计特征作为条件输入。仅用健康信号训练模型。测试集注入具物理动机的低信噪比(Signal-to-Noise Ratio, SNR=3 dB)合成异常模式(刚度损失/频率软化、阻尼增加、裂缝呼吸效应、预应力损失局部振铃、基础摇摆漂移、低频冲击/松动附件、弱共振增长、传感器偏置),模拟早期损伤。核心技术包括:①贝叶斯神经网络(Bayesian Neural Network, BNN)变分推断,对生成器和判别器(Critic)权重施加独立高斯变分后验与标准正态先验,解析计算Kullback–Leibler(KL)散度并加入Evidence Lower Bound(ELBO)目标函数,通过重参数化技巧与Monte Carlo采样获得认知不确定性;②时序因果网络(TCN)以因果卷积与扩张卷积(dilation rates 1,2,4,…)捕获长程时依赖并保持因果性;③Wasserstein GAN with Gradient Penalty(WGAN-GP)框架替代二分类判别器,Critic输出无界实数评分;④条件输入(风速特征)融入生成器与Critic;⑤编码器–生成器–Critic联合训练,生成器损失含重构损失(Mean Squared Error, MSE)、对抗损失及KL正则项;⑥多分量贝叶斯异常评分融合归一化重构误差、认知不确定性(Monte Carlo采样方差)、Critic评分、潜空间偏差及方差惩罚项,权重由开发集网格搜索确定,自适应阈值取验证集均值加k倍标准差(μ+kσ)。
研究结果
4.1 贝叶斯推理(Bayesian Inference)
研究人员在生成器和Critic的卷积层引入权重概率分布,以变分推断近似后验,最小化KL散度等价于最大化ELBO。KL项解析计算为(μ2+σ2?log(σ2)?1)/2(其中μ为后验均值,σ为后验标准差取log σ参数化)。训练中对每层KL归一化并采用warm-up调度。通过后验Monte Carlo采样向前传播不确定性,推理时多次采样得认知不确定性估计。该贝叶斯处理提升对非平稳条件泛化能力,ELBO目标保障对抗训练稳定。
4.2 时序因果网络(Temporal Causal Networks, TCN)
研究人员以因果(零填充)卷积保证输出仅依赖当前及过去输入,防止信息泄露,适合流式在线检测;扩张卷积指数扩大感受野以建模远处时序依赖(如风致或疲劳振动)。BcDCGAN生成器与Critic中以带残差连接和扩张卷积的TCN块替换标准层。
4.3 BcDCGAN架构
研究人员构建含编码器(确定性Conv1D+TCN→64维潜矢量)、贝叶斯条件生成器(潜矢量拼接风速条件特征→上采样+两层Bayesian TCN→tanh输出)及贝叶斯条件Critic(输入拼接风速→Bayesian TCN→Flatten→Dense输出无激活)的WGAN-GP框架。生成器总损失LG=λrec·Lrec+λKL·(?ELBO)+LG-WGAN,Critic以WGAN-GP损失LC=E[C(x)]?E[C(G(z|c))]+λgp·(‖?x?C(x?)‖2?1)2优化。条件变量使模型区分环境波动与真实结构异常。
4.4 自适应阈值(Adaptive Threshold)
研究人员定义综合异常评分S=wrec·Rnorm+weu·Unorm+wD·Dnorm+wlat·Lnorm+wvar·Vnorm(R为MSE重构误差,U为Monte Carlo epistemic uncertainty,D为Critic评分距理想值的偏离,L为潜空间偏差,V为方差惩罚),权重由开发集网格搜索选F1最优组合(本数据集最终wD=0)。阈值τ=μval+k·σval由健康验证集评分统计确定,k于开发集选定后冻结应用于测试集。
5.3 模型训练
研究人员仅用健康训练集训练,验证集不参与优化仅用于阈值估计。采用LeakyReLU激活、tanh生成器输出、无激活Critic输出。Critic每更新2次Generator更新1次。训练重构误差由>1.5平稳降至≈1.0(数据标准化所致),Critic评分围绕0平衡,表明WGAN均衡达成,模型于约20 epoch后收敛。
5.4 潜空间分析(Latent Space Analysis)
研究人员对测试集潜矢量做t-SNE降维可视化,正常信号形成紧密聚类且认知不确定性低,注入异常分布于高不确定性区域。表明模型未见过异常模式时权重不确定性升高,正常流形边界清晰,支持基于几何分离与不确定性信号的异常检测。
5.5 验证集阈值与异常检测
研究人员在开发集243组权重组合中选出最优(wrec=0.45, weu=0.40, wD=0, wlat=0.10, wvar=0.05),k=3.0。应用于测试集(161条合格样本)得Precision=1.00,Recall=0.94(报告中高Recall且零误报情形),F1-score高,ROC-AUC优良。综合评分各分量显示重构误差与认知不确定性为主要区分来源。
5.6 KL散度
负ELBO(含重构项+KL散度)随训练下降并趋稳,表明变分后验逼近真实后验,模型缩小与真实数据分布差距,生成表示更准确。
5.7 后验不确定性Monte Carlo
研究人员追踪外层权重后验均值与标准差随epoch演化:均值近零稳定,标准差与不确定带(±2σ)收缩——生成器σ由≈0.08降至≈0.02,Critic由≈0.06降至≈0.03——表明贝叶斯学习有效正则化、参数搜索空间收窄、模型达统计成熟与稳定。
5.8 结果与理论预期一致性
研究人员指出:高Recall反映对健康结构动力学有效学习;训练中叶识不确定性降低但保留对分布外输入的敏感性符合BNN理论;t-SNE确认异常位于高epistemic uncertainty区;风速条件输入助区分环境变异与结构异常,提高SHM应用可解释性与可靠性。
讨论与结论(翻译浓缩)
本文提出BcDCGAN——一种贝叶斯条件深度卷积GAN框架,用于预应力混凝土接触网支柱SHM中多变量振动信号的无监督异常检测。该架构通过对生成器与Critic权重施加变分贝叶斯推断以提供显式认知不确定性,采用时序因果网络建模长程依赖,并结合环境(风速)条件变量与自适应贝叶斯评分及数据驱动阈值。实验表明模型仅在健康数据上训练即可对注入的具有物理动机异常实现高召回与可解释不确定性信号,正常与异常潜表示分离清晰。该贝叶斯条件GAN框架原则上可扩展至大跨桥梁、建筑框架等更复杂结构,但需注意多传感器融合、跨结构迁移及贝叶斯推断计算成本等挑战。当前局限包括依赖合成注入异常而非真实损伤案例、阈值与权重需针对不同数据集重新校准、单一路基接触网支柱场景及相对较高的计算开销。未来工作将拓展至自然损伤场景验证、接触网系统多传感器融合、实时部署及其他土木工程基础设施的迁移学习。
(注:原文未声明具体期刊卷期页码,仅说明发表于《Sensors》。)