Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification
作者: Xudong Jian, Charikleia Stoura, Simon Scandella, Eleni Chatzi
分类: cs.LG
发布日期: 2026-04-21
💡 一句话要点
提出一种无标签自监督解耦表征学习框架，用于解决结构健康监测中运营变异性干扰下的损伤识别问题。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 结构健康监测 损伤识别 自监督学习 解耦表征学习 振动信号处理
📋 核心要点
- 结构健康监测中的损伤识别易受运营和环境条件变化等非损伤因素干扰，这些因素的影响可能超过损伤本身。
- 论文提出一种自监督解耦表征学习框架，通过自编码器和正则化方法，使模型对损伤敏感，同时对运营变异性不敏感。
- 在桥梁和齿轮箱等真实数据集上的实验表明，该方法对运营变异性具有鲁棒性，并能有效检测和量化损伤。
📝 摘要（中文）
本研究提出了一种自监督、无标签的解耦表征学习框架，用于稳健的基于振动的结构损伤识别。该框架采用具有两个潜在表征的自编码器，直接从原始振动加速度信号中学习。通过方差-不变性-协方差正则化（VICReg）在其中一个潜在表征上施加自监督不变性正则化，利用结构损伤恒定但运营和环境条件变化的基线数据。此外，引入频域约束，以强制从潜在表征重建的功率谱密度与从相应输入时间序列计算的功率谱密度之间的一致性。这些机制共同促进了解耦，使学习到的表征对损伤相关特征敏感，同时对干扰变异性保持不变。该框架以完全端到端和无标签的方式进行训练，无需关于损伤、激励或环境条件的先验信息，使其非常适合实际应用。在桥梁和齿轮箱两个不同的真实振动数据集上验证了其有效性。结果表明，该方法对运营变异性具有鲁棒性，具有很强的泛化能力，并在损伤检测和量化方面表现良好。
🔬 方法详解
问题定义：结构健康监测中的损伤识别任务面临着运营条件（如激励变化）和环境条件（如温度变化）带来的巨大挑战。这些非损伤因素引起的信号变化，往往与损伤引起的信号变化幅度相当甚至更大，导致传统的损伤识别方法难以区分真假损伤，可靠性大大降低。现有方法通常需要大量的带标签数据，标注过程耗时耗力，且难以覆盖所有可能的运营和环境条件。
核心思路：本论文的核心思路是通过解耦表征学习，将振动信号中与损伤相关的特征和与运营/环境条件相关的特征分离。具体来说，模型学习到的一个潜在表征应该对损伤敏感，而另一个潜在表征应该对运营/环境条件的变化保持不变。这样，即使运营条件发生变化，损伤识别也能基于对损伤敏感的潜在表征进行，从而提高鲁棒性。
技术框架：该框架基于自编码器结构，包含一个编码器和解码器。编码器将原始振动信号映射到两个潜在表征空间。一个潜在表征用于捕捉与损伤相关的特征，另一个用于捕捉与运营/环境条件相关的特征。解码器则从这两个潜在表征重建原始振动信号。框架包含两个关键的正则化项：一是基于VICReg的自监督不变性正则化，作用于与运营/环境条件相关的潜在表征，使其对基线数据中的运营/环境变化保持不变；二是频域约束，强制从潜在表征重建的功率谱密度与原始信号的功率谱密度一致。
关键创新：该方法最重要的创新点在于其无标签和自监督的学习方式。无需任何关于损伤、激励或环境条件的先验信息，即可实现损伤识别。这使得该方法非常适用于实际应用，因为在实际场景中，往往难以获取大量的带标签数据。此外，通过解耦表征学习，该方法能够有效地分离损伤相关特征和运营/环境条件相关特征，从而提高损伤识别的鲁棒性。
关键设计：VICReg正则化通过最小化潜在表征的方差、最大化不变性以及最小化协方差来实现。具体来说，方差项防止潜在表征坍塌到零；不变性项使得潜在表征对运营/环境条件的变化不敏感；协方差项则鼓励潜在表征的不同维度之间相互独立。频域约束通过最小化重建功率谱密度和原始功率谱密度之间的均方误差来实现。自编码器的具体网络结构（如卷积层、全连接层等）以及损失函数的权重等超参数需要根据具体应用进行调整。
🖼️ 关键图片
📊 实验亮点
该方法在桥梁和齿轮箱两个真实数据集上进行了验证。实验结果表明，该方法能够有效地识别损伤，并且对运营变异性具有很强的鲁棒性。具体来说，即使在运营条件发生显著变化的情况下，该方法仍然能够准确地检测到损伤的存在，并对其严重程度进行量化。与传统的损伤识别方法相比，该方法在鲁棒性和泛化能力方面均有显著提升。
🎯 应用场景
该研究成果可广泛应用于桥梁、风力涡轮机、航空航天结构、机械设备等各种结构的健康监测。通过实时监测结构的振动信号，可以及时发现潜在的损伤，避免安全事故的发生，降低维护成本。该方法无需人工标注数据，降低了部署成本，使其更易于在实际工程中应用。未来，该方法可以与物联网、云计算等技术相结合，实现大规模结构的智能化健康监测。
📄 摘要（原文）
Damage identification is a core task in structural health monitoring. In practice, however, its reliability is often compromised by confounding non-damage effects, such as variations in excitation and environmental conditions, which can induce changes comparable to or larger than those caused by structural damage. To address this challenge, this study proposes a self-supervised label-free disentangled representation learning framework for robust vibration-based structural damage identification. The proposed framework employs an autoencoder with two latent representations to learn directly from raw vibration acceleration signals. A self-supervised invariance regularization, implemented via Variance-Invariance-Covariance Regularization (VICReg), is imposed on one latent representation using baseline data where structural damage is assumed constant but operational and environmental conditions vary. In addition, a frequency-domain constraint is introduced to enforce agreement between the power spectral density reconstructed from the latent representation and that computed from the corresponding input time series. Together, these mechanisms promote disentanglement, enabling the learned representation to be sensitive to damage-related characteristics while remaining invariant to nuisance variability. The framework is trained in a fully end-to-end and label-free manner, requiring no prior information on damage, excitation, or environmental conditions, making it well-suited for real-world applications. Its effectiveness is validated on two distinct real-world vibration datasets, including a bridge and a gearbox. The results demonstrate robustness to operational variability, strong generalization capability, and good performance in both damage detection and quantification.