Exploring transfer learning for enhanced performance in ultrasonic guided waves-based damage diagnosis frameworks

Maintaining plated structures is paramount for increasing the reliability and avoid the failure of aerospace, civil and mechanical engineering systems. Recent maintenance strategies rely on structural health monitoring (SHM) frameworks, according to which the health state of structures is monitored over time through installed sensors. In this context, machine learning (ML) strategies have recently been proposed in the literature for improving the performance of already established algorithms. Among those methods, transfer learning (TL) has been proved to be an interesting approach, due to its peculiar characteristics. That is, TL allows quickly adapting pre-trained ML tools to new situations, new tasks and new environments. For instance, TL can be leveraged for training ML algorithms when few labeled data are available, or to adapt efficient tools that have already been trained on a slightly different task from that of interest. In this work, TL and convolutional neural networks (CNNs) were leveraged for performing damage diagnosis of metal and composite plated structures. That is, a CNN-based framework for detecting, localizing and quantifying structural damage was taken from the literature, and the fine-tuning TL technique was employed to test if the pre-trained framework was flexible enough to work in different domains. Four case studies were carried out: (i) adaptation of CNNs trained on numerical data to experimental data, (ii) generalization of CNNs trained on metals to composite materials, (iii) extension to different networks of sensors and (iv) a combination of the previous case studies.

Il mantenimento delle strutture è fondamentale per aumentare l'affidabilità ed evitare il fallimento dei sistemi di ingegneria aerospaziale, civile e meccanica. Le recenti strategie di manutenzione si basano su frameworks di monitoraggio della salute strutturale (SHM), secondo i quali lo stato di salute delle strutture viene monitorato nel tempo attraverso sensori installati. In questo contesto, recentemente, sono state proposte strategie di Machine Learning (ML) nella letteratura per migliorare le prestazioni degli algoritmi già consolidati. Tra questi metodi, il Transfer Learning (TL) si è dimostrato un approccio interessante, grazie alle sue caratteristiche peculiari. In pratica, il TL consente di adattare rapidamente strumenti di ML pre-addestrati a nuove situazioni, nuovi compiti e nuovi ambienti. Ad esempio, il TL può essere utilizzato per addestrare algoritmi di ML quando sono disponibili pochi dati etichettati o per adattare strumenti efficienti che sono già stati addestrati su un compito leggermente diverso da quello di interesse. In questo lavoro, sono stati utilizzati il TL e le reti neurali convoluzionali (CNN) per effettuare la diagnosi dei danni alle strutture in metallo e composito. In pratica, è stato preso dalla letteratura un framework basato su reti CNN per rilevare, localizzare e quantificare danni strutturali, e la tecnica di fine-tuning di TL è stata impiegata per verificare se il framework pre-addestrato fosse sufficientemente flessibile da funzionare in domini diversi. Sono stati condotti quattro casi studio: (i) adattamento delle CNN addestrate su dati numerici a dati sperimentali, (ii) generalizzazione delle CNN addestrate sui metalli ai materiali compositi, (iii) estensione a diverse reti di sensori e (iv) una combinazione dei casi di studio precedenti.