Bookshelf Recognization

基于BookShelf Structure损伤识别实验,结果见实验过程及结果

环境

• python3
• tensorflow >= 1.10
• numpy
• scikit-learn
• scipy
• seaborn
• pandas

数据集介绍

该模型是一个三层结构框架模型，尺寸大小如图1所示。

该模型结构由支柱和铝制板构成，最底层为1.3厘米（0.5英寸）厚铝板， 单支柱上有两个螺栓连接至托架，铝制板与支柱通过螺栓相连进行固定， 传感器布置的位置及其连接细节如图2所示。

实验模型结构的维度如图3、4所示，所有螺栓连接均在未损坏状态下紧固 0.7nm(60英寸磅)的扭矩。在四个角的底部安装了空气隔离器，允许结构在 水平方向上自由移动。对隔离器进行充气，使压强达到0.14MPa，同时进行 调整，使结构与振动器保持水平。该振动器通过一个长15cm，直径为9.5mm 的圆管通过各层中间的螺纹孔连接到底板上。如图4所示，振动器安装在底 板角D处，以便激发平移和扭转运动。

实验步骤

该实验共分为3个部分：

1. 基于过滤式的特征提取（指标用信息增益率）
2. 利用ARMA模型的自相关函数以及偏自相关函数确定LSTM步数
3. 利用双向LSTM作损伤识别

1. 基于过滤式的特征提取

这里用信息增益率作为过滤式特征选择的指标。主要是考虑到结构数据很多时候离散数据和连续数据兼有，用互信息又会被类别多少左右，所以参造C4.5算法对ID3的改进，这里选择信息增益率。

用信息增益率（用熵指标应该都会遇到）面临的另一个问题就是连续数据的处理。这里有两个思路：

1. 将数据离散化，利用离散分布建模
2. 直接用连续分布建模

数据离散化方式

基本参照C4.5算法的离散化方式

连续分布建模

借鉴GDA的思想，直接用生成模型建模。但不一定会用高斯分布建模，在建模之前，会用卡方检验检验其分布的适用性，如果P值小于显著性水平，就换一种分布，直到零假设成立为止(或者直接用分布族建模)。在求出分布之后，即可用连续分布求出信息增益率

最终结果

2. 利用ARMA模型的自相关函数和偏自相关函数确定LSTM步数

借鉴于ARMA模型的其中一种定阶方式，所选模型遵循两个原则：

1. 时间复杂度尽量小（因为是采样计算，不存在空间复杂度的问题）
2. 这里的目的仅是定阶，而非建立一个ARMA模型,所选步骤尽量“轻”，换句话说，就是越不依赖ARMA模型本身越好

2.1 平稳化处理

一般采集的结构数据都有周期性，所以这里差分和季节差分同时使用，差分取1阶，季节差分取2阶，季节周期取10，下面是平稳化处理前和处理后的对比：

平稳化处理前

平稳化处理后

2.2 游程检验

这一步主要是用游程检验检验平稳化后的数据是否平稳。之所以选择游程检验是因为游程检验计算快，不需要先验分布的假设，又不依赖于ARMA模型本身。下表是游程检验的结果（显著性水平取0.05）：

	Z值	p值
游程检验	1.424596135527278	0.15427397776693086

2.3 截尾拖尾判定

此步是ARMA模型中的一个步骤，用于判断阶数是取自相关函数还是取偏自相关函数

2.4 阶数判断

同样通过假设验证取阶数（显著性水平取0.05）

最终结果（上图是ACF，下图是PACF）：

3. 损伤识别

DNN、LSTM，Bidirectional-LSTM，作横向对比

3.1 DNN

3.1.1 超参数

超参数名称	值
训练与验证集比例	8:2
模型优化算法	Adam
学习率	从0.01开始手工调试
RMSProp参数项	0.999
动量因子	0.9
Batch样本数	512
待训练参数W初始化	零均值高斯分布分布随机初始化
待训练参数b初始化	初始化为0
隐藏层	[30,15,15]
隐藏层Activation	Relu
输出层Activation	softmax
Inverted Dropout比率	0.2

3.1.2 Loss

3.1.3 Accuracy

3.2 LSTM

3.2.1 超参数

参数	LSTM损伤识别模型
训练与验证集比例	8:2
模型优化算法	Adam
学习率	从0.01开始手工调试
RMSProp参数项	0.999
动量因子	0.9
Batch样本数	128
待训练参数W初始化	零均值高斯分布分布随机初始化
待训练参数b初始化	初始化为0
隐藏层	[30,20]
隐藏层Activation	Relu
输出层Activation	softmax
Dropout比率	0.2
LSTM层所在位置	在隐藏层之前，即顺序为 LSTM层 → 隐藏层

3.2.2 Loss

3.2.3 Accuracy

3.3 Bi-LSTM

3.3.1 超参数

参数	Bi-Directional LSTM损伤识别模型
训练与验证集比例	8:2
模型优化算法	Adam
学习率	从0.01开始手工调试
RMSProp参数项	0.999
动量因子	0.9
Batch样本数	128
待训练参数W初始化	零均值高斯分布分布随机初始化
待训练参数b初始化	初始化为0
隐藏层	[30,20]
隐藏层Activation	Relu
输出层Activation	softmax
Dropout比率	0.2
双向LSTM层所在位置	在隐藏层之前，即顺序为双向 LSTM层 → 隐藏层

3.3.2 Loss

3.3.3 Accuracy

3.3.4 Learning Rate

4. 识别结果

4.1 ACC(验证集)

4.2 验证集混淆矩阵

4.3 ROC

4.4 AUC

指标模型	DNN	LSTM	BLSTM
Micro AUC	0.886951	0.997907	0.999838
Macro AUC	0.9966190	0.998059	0.999636