Explainable convolutional neural networks for structural health monitoring based on transmissibility functions

A vast range of fields, such as civil, mechanical and aerospace engineering, have been employing structural health monitoring (SHM) units to enable a safer and more efficient operation of assets. These units rely on algorithms to process the acquired data from the structure of the system to perform damage detection, localization and/or quantification in real time. To do so, within many types of possible data, vibrational signals have been widely and successfully employed, since vibrational properties such as natural frequencies, modal damping and mode shapes of a system depend on its structural properties, which may be subjected to damage-induced changes. More specifically, transmissibility functions (TFs) have created a lot of interest due to the possibility of using them for output-only damage diagnosis algorithms, which simplifies the diagnosis procedure by sparing the need of measuring the input signal. Recently, this kind of structural data used by SHM systems has become more accessible and in very large quantities due to significant technology advancements and cost reduction of sensors, creating a very conducive environment for the application of deep learning models in the SHM field. Although those models have been showing very promising results in terms of prediction accuracy, these usually come at a cost of model interpretability due to their increasing complexity. Indeed, models who lack interpretability are more difficult to be trusted, which is a fundamental characteristic in practical engineering applications such as SHM systems. In order to increase the interpretability of such models, many explainable artificial intelligence (XAI) methods have been proposed, such as the layer-wise relevance propagation (LRP) algorithm. In this work, a convolutional neural network (CNN), a specific type of deep learning model, exploited to process TF data to perform damage detection, localization, and quantification, is interpreted through the use of the LRP algorithm. By considering a numerical case study with different damage scenarios, the relevance values returned by the XAI algorithm were investigated through a statistical analysis. It was observed that the majority of the most relevant features for the CNN are the most damage sensible and important TFs features, agreeing with the existing physical knowledge.

Una vasta gamma di settori, come l'ingegneria civile, meccanica e aerospaziale, ha impiegato unità di monitoraggio, o structural health monitoring (SHM), per consentire un funzionamento più sicuro ed efficiente dei dispositivi e strutture. Queste unità si basano su algoritmi per elaborare i dati acquisiti dalla struttura del sistema per eseguire il rilevamento, la localizzazione e/o la quantificazione dei danni in tempo reale. Per fare ciò, tra le diverse tipologie di segnali acquisibiliquelli vibrazionali sono stati ampiamente e con successo impiegati, poiché alcune proprietà ,come le frequenze naturali, lo smorzamento modale e le forme modali di un sistema, dipendono dalle sue proprietà strutturali, che possono essere soggette a cambiamenti indotti dai danni. In particolare, le funzioni di trasmissibilità, o transmissibility functions (TFs), hanno suscitato molto interesse poiché non dipendono dal modulo della forzante di input (solo dal suo punto di applicazione), semplificando quindi fortemente il processo di acquisizione e quindi poi di diagnosi. Recentemente, questo tipo di dati strutturali utilizzati dai sistemi SHM sono diventati sempre più accessibili grazie ai significativi progressi tecnologici e alla riduzione dei costi dei sensori, creando così un ambiente molto favorevole per l'applicazione di modelli di deep learning nel campo SHM. Sebbene questi modelli abbiano mostrato risultati molto promettenti in termini di accuratezza della previsione, questi di solito hanno un costo in termini di interpretabilità del modello a causa della loro crescente complessità. In effetti, è più difficile fidarsi di algoritmi che mancano di interpretabilità, che è una caratteristica fondamentale nelle applicazioni ingegneristiche pratiche come i sistemi SHM. Al fine di aumentare l'interpretabilità di tali modelli, sono stati proposti molti metodi di intelligenza artificiale spiegabile, o Explainable AI (XAI), come l'algoritmo di layer-wise relevance propagation (LRP). Dunque, in questo lavoro, una convolutional neural network (CNN), un tipo specifico di modello di deep learning, è stata utilizzata per elaborare delle TFs al fine di eseguire il rilevamento, la localizzazione e la quantificazione dei danni, e successivamente interpretata attraverso l'uso dell'algoritmo LRP. Considerando un caso studio numerico di una trave strutturale con diversi scenari di danno, i valori di rilevanza restituiti dall'algoritmo XAI sono stati indagati attraverso un'analisi statistica. Si è osservato che la maggior parte delle caratteristiche più rilevanti per la CNN sono quelle in cui le TFs risultano essere più sensibili al danno, in accordo con quanto evidenziato dalla lettura e, quindi, dalle conoscenze fisiche riguardanti le TFs.