DOI QR코드

DOI QR Code

Machine Learning Based Structural Health Monitoring System using Classification and NCA

분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템

  • 신창교 (한국과학기술원 항공우주공학과) ;
  • 권현석 (한국과학기술원 항공우주공학과) ;
  • 박유림 (한국과학기술원 항공우주공학과) ;
  • 김천곤 (한국과학기술원 항공우주공학과)
  • Received : 2019.01.31
  • Accepted : 2019.02.27
  • Published : 2019.02.28

Abstract

This is a pilot study of machine learning based structural health monitoring system using flight data of composite aircraft. In this study, the most suitable machine learning algorithm for structural health monitoring was selected and dimensionality reduction method for application on the actual flight data was conducted. For these tasks, impact test on the cantilever beam with added mass, which is the simulation of damage in the aircraft wing structure was conducted and classification model for damage states (damage location and level) was trained. Through vibration test of cantilever beam with fiber bragg grating (FBG) sensor, data of normal and 12 damaged states were acquired, and the most suitable algorithm was selected through comparison between algorithms like tree, discriminant, support vector machine (SVM), kNN, ensemble. Besides, through neighborhood component analysis (NCA) feature selection, dimensionality reduction which is necessary to deal with high dimensional flight data was conducted. As a result, quadratic SVMs performed best with 98.7% for without NCA and 95.9% for with NCA. It is also shown that the application of NCA improved prediction speed, training time, and model memory.

본 연구는 복합재 항공기의 비행 데이터를 활용한 기계학습 기반 구조건전성 모니터링 시스템 연구의 예비 연구이다. 본 연구에서는 구조건전성 모니터링에 이용되기에 가장 적합한 기계학습 알고리즘을 선별하고, 실 기체 데이터에 대한 적용을 위해 차원 축소를 수행하였다. 이를 위해 외팔보를 통해 모사된 항공기 날개 구조와 부가 질량을 통해 손상 모사 실험을 진행하고, 분류 알고리즘을 통해 데이터를 손상의 위치와 정도에 따라 구분하였다. 이를 위해 FBG (fiber bragg grating) 센서를 부착한 외팔보의 진동 실험을 통해 정상상태와 12개의 손상상태에 대한 데이터를 취득하고, MATLAB 환경에서 tree, discriminant, SVM (support vector machine), kNN, ensemble 알고리즘의 비교와 파라미터 튜닝을 통해 가장 적합한 알고리즘을 도출하였다. 또한 NCA (neighborhood component analysis)를 이용한 특징 선택을 통해, 실 기체에서 나올 수 있는 고차원 데이터의 관리를 위해 필요한 차원 축소를 수행하였다. 그 결과, quadratic SVM이 NCA를 적용하지 않은 모델에서 98.7%, NCA를 적용한 모델에서 95.9%로 가장 높은 정답률을 보였다. 또한 NCA 적용 후 모델의 예측 속도, 학습 시간, 용량이 모두 향상되었다.

Keywords

HHHHBI_2019_v23n1_84_f0001.png 이미지

그림 1. 실험 구성 Fig. 1. Experimental setup.

HHHHBI_2019_v23n1_84_f0002.png 이미지

그림 2. 부가 질량 및 하중 위치 (위에서 본 모습) Fig. 2. Added mass and impact location (top view).

HHHHBI_2019_v23n1_84_f0003.png 이미지

그림 3. 기계학습 알고리즘 Fig. 3. Machine learning algorithm.

HHHHBI_2019_v23n1_84_f0004.png 이미지

그림 4. NCA 미적용 모델 혼동 행렬 Fig. 4. Confusion matrix of quadratic SVM (non-NCA).

HHHHBI_2019_v23n1_84_f0005.png 이미지

그림 5. NCA 적용 모델 혼동 행렬 Fig. 5. Confusion matrix of quadratic SVM (NCA).

표 1. 시편 정보 Table 1. Specimen size.

HHHHBI_2019_v23n1_84_t0001.png 이미지

표 2. 데이터 레이블 Table 2. Data label.

HHHHBI_2019_v23n1_84_t0002.png 이미지

표 3. NCA 특징 선택 결과 Table 3. NCA feature selection result.

HHHHBI_2019_v23n1_84_t0003.png 이미지

표 4. 전체 알고리즘 정확도 표 Table 4. Classification accuracy.

HHHHBI_2019_v23n1_84_t0004.png 이미지

표 5. Quadratic SVM 모델의 NCA 적용 결과 Table 5. NCA result of quadratic SVM.

HHHHBI_2019_v23n1_84_t0005.png 이미지

References

  1. A. Panopoulou, D. Roulias, T. H. Loutas and V. Kostopoulos, "Health monitoring of aerospace structures using fibre Bragg gratings combined with advanced signal processing and pattern recognition techniques," Strain, Vol. 48, No 3, pp. 267-277, May. 2012. https://doi.org/10.1111/j.1475-1305.2011.00820.x
  2. K. Worden and G. Manson, “The application of machine learning to structural health monitoring,” Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 365, No. 1851, pp. 515-537, December. 2006.
  3. S. Roy, FK Chang, S. J Lee, P. Pollock, V. Janapati, "A novel machine-learning approach for structural state identification using ultrasonic guided waves," in Proceedings of the 11th International Conference of Structural Safety and Reliability, New York, NY, pp.321-328. June. 2013.
  4. H. Azzam, "A practical approach for the indirect prediction of structural fatigue from measured flight parameters," in Proceedings of the Aerotech 95, Birmingham, Octobor. 1995.
  5. L. E. Mujica, J. Vehi, W. Staszewski and K. Worden, "Impact damage detection in aircraft composites using knowledge -based reasoning," Structural Health Monitoring, Vol. 7, No. 3, pp. 215-230, September. 2008. https://doi.org/10.1177/1475921708090560
  6. G. Holmes, P. Sartor, S. Reed, P. Southern, K. Worden and E. Cross, "Prediction of landing gear loads using machine learning techniques," Structural Health Monitoring, Vol. 15, No. 5, pp. 568-582, September. 2016. https://doi.org/10.1177/1475921716651809
  7. G. Holmes, A. Thomas, W. Carpener, K. Worden, E. J. Cross, "Data-based classifiers for identification of aircraft landing characteristics," in Proceeding of the 8th European Workshop on Structural Health Monitoring, Bilbao: Spain, July 2016.
  8. P. Garre and G. V. Arjun, "Modeling and analysis of a ribs and spars of an airplane wing for bending and shear loads," International Journal For Research in Applied Science and Engineering Technology, Vol. 5, No. 2, pp. 295-315, February. 2017.
  9. Mathworks. Choose classifier options. [Internet] Available: https://kr.mathworks.com/help/stats/choose-a-classifier.html