Machine Learning Based Structural Health Monitoring System using Classification and NCA

분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템

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.

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

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

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

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

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

표 1. 시편 정보 Table 1. Specimen size.

표 2. 데이터 레이블 Table 2. Data label.

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

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

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