Use of Convolutional Autoencoders Enabling Vibration Anomaly Detection of Time Series Represented through Markov Transition Fields: Case of the S101 Bridge

Ever since the advent of computers, more and more problems concerning everyday life have been addressed with some sort of automation technique. The possibility of treating an infinitely larger quantity of data in a way in which the solution generation satisfies proper standards to be considered a good generalizable solution puts Machine Learning Methods in first line, also when it comes to Structural Engineering problems. In particular, Structural Health Monitoring problems cover very challenging ongoing topics within the community, such as Anomaly Detection tasks. Anomaly Detection is the first class of operations in which, rather superficially, monitoring signals are analysed and classified in a specific way in order only to retrieve the presence of a potential damage state that alters the average conformity of the signals. Above all, data pre-processing phases assume crucial importance in this context. To this matter, recent studies show that Signal-to-Image transformations are becoming more and more used techniques to retrieve hidden information, especially when it comes to extract structural states embedded into mono-dimensional acceleration sequences. In this thesis, the focus will be to introduce the concept of Deep Learning, applied through Neural Networks, in order to detect possible anomalies within specific datasets. To do that, the concept of signal-to-image transformation processes are introduced through the Markov-Chain derived technique, the Markov Transition Field. In order to construct the Neural Network, the Convolutional Autoencoder will be also treated, a very simple, yet powerful tool when it comes to Unsupervised Deep Learning. All of the above-mentioned methods will be tested accordingly in a final chapter in which the case study of the S101 bridge in Austria will be presented. The bridge was used as a benchmark for future SHM studies since two different damage cases were simulated (lowering a pier and prestressing cables cut through), under the same ambient noise loading condition. The resulting efficiency of the ANNs will be defined by the use of ROC curves, a very important tool to evaluate the percentage of true and false outcomes, between both positives and negatives. Every computation is taken out by Python codes.

Fin dal primo avvento dei computer si è sempre guardato più all’automazione per la risoluzione di una vasta gamma di problemi. La possibilità di trattare un numero enorme di dati e la capacità di generare soluzioni universali pone il Machine Learning in una posizione di spicco anche nel campo del Monitoraggio Strutturale. In particolare, i problemi legati al monitoraggio strutturale spaziano dall’individuazione di anomalie fino al rilevamento del livello e della posizione del danno, sulla base delle alterazioni, anche minime, che subiscono i segnali captati. Per questo motivo, il pre-processing dei dati assume un ruolo cruciale. Recenti studi hanno mostrato come gli algoritmi di trasformazione di segnali in immagini, accoppiati con particolari Reti Neurali, chiamate Convoluzionali, abbiano una grande capacità nel ricavare informazioni nascoste nella disposizione dei segnali di vibrazione. Questa tesi sarà incentrata sul testare un particolare strumento per il rilevamento d’anomalie, l’autoencoder convoluzionale. Quest’ultimo, allenandosi su immagini create da segnali di un ponte in stato sano tramite l’algoritmo dei Campi di Transizione di Markov, dovrà essere in grado di riconoscere se o meno, dato un nuovo input, questo sarà indicativo di uno stato sano o danneggiato. Come caso studio si è preso quello del ponte S101 in Austria, sottoposto, prima del suo abbattimento, a due stati di danno diversi (abbassamento di un pilone e taglio dei cavi di precompressione. L’efficienza della rete neurale è calcolata infine tramite le curve ROC.