Artificial neural networks (ANNs) for structural health monitoring : a survey of current most advanced methods and application to a structural case study using long short-term memory ANNs

Many engineering structures, such as the ones of aerospace, civil and mechanical structures, are prone to damages due to various factors such as fatigue and environmental conditions under which they operate. Hence, maintenance is an integral part of the operation of these systems in order to ensure safety, reliability and cost effectiveness. Structural health monitoring (SHM) is a method that is used to support the development of maintenance strategies based on current health conditions of the structures (condition based maintenance). Such approach offers an optimal use of structures with better safety and cost effectiveness when compared to the traditional methods of predictive and corrective maintenance. In general, SHM approaches require the development of algorithms capable of processing a considerable amount of data acquired from different types of sensor networks (strain gauges, optical fibers, accelerometers, etc.) that are suitably distributed on the structures to be monitored. In this context, artificial neural networks (ANNs) have for years shown an enormous potential to be effective due to their ability to extract even the most hidden features from the measured signals. This paper examines 6 different ANNs with respect to their potential application in SHM, and then selects one that is deemed more promising and interesting followed by a demonstration of its performance on a structural case study. The examined ANNs are: Feed Forward Neural Network (FFNN), Autoencoder (AE), Boltzmann Machine (BM), Deep Belief Network (DBN), Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN). A specific case study was then carried out on damage detection and quantification of a beam structure using a Long Short-Term Memory (LSTM) neural network, an advanced type of RNN. Very good results were obtained from the case study taking into account the effects of measurement noise and environmental variability in the dataset.

Molti sistemi ingegneristici, quali tipicamente le strutture aerospaziali, civili e meccaniche, sono soggetti a danneggiamenti dovuti a vari fattori, come ad esempio la fatica o le condizioni ambientali a cui essi operano. In questo ambito, la manutenzione è parte integrante dell’operatività dei sistemi, al fine di garantirne sicurezza, affidabilità ed economicità. Monitoraggio di salute strutturale (SHM) è un metodo utilizzato per supportare lo sviluppo di strategie di manutenzione basate sulle condizioni attuali di salute del sistema (condition based maintenance). Tali approcci possono offrire un utilizzo ottimale delle strutture con maggiore sicurezza ed economicità rispetto ai tradizionali metodi di manutenzione predittiva e correttiva. In generale, gli approcci SHM richiedono lo sviluppo di algoritmi in grado di elaborare una notevole quantità di dati acquisiti da reti di sensori di diverso tipo (strain gauges, fibre ottiche, accelerometri, ecc.) opportunamente distribuite sulle strutture da monitorare: in questo contesto, le reti neurali artificiali (ANN) hanno da anni mostrato un enorme potenziale per la loro capacità di estrarre anche le più nascoste “features” di danno dai segnali misurati. Questo documento esamina inizialmente sei diverse ANN in relazione alla loro potenziale applicazione in ambito SHM, per poi selezionarne una ritenuta più interessante e promettente e dimostrarne le prestazioni su un caso studio strutturale. Le ANN esaminate sono: Feed Forward Neural Network (FFNN), Autoencoder (AE), Boltzmann Machine (BM), Deep Belief Network (DBN), Convolutional Neural Network (CNN) e Recurrent Neural Network (RNN). È stato quindi condotto uno studio più specifico sulla rilevazione dei danni e sulla loro quantificazione sulla struttura di una trave, utilizzando una rete neurale LSTM (Long Short-Term Memory), cioè una tipologia avanzata di rete neurale ricorrente (recurrent neural network – RNN). Risultati molto soddisfacenti sono stati ottenuti anche tenendo conto degli effetti del rumore di misura e della variabilità ambientale nel set di dati a disposizione per l’analisi.