桥梁之间的分层多任务无监督域适应用于驱动器损坏诊断

HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis 通过驾驶车辆的振动响应监测桥梁，通过允许每辆车检查多座桥梁，并消除在每座桥梁上安装和维护传感器的需要，实现高效、低成本的桥梁维护。然而，许多现有的驱动式监控方法都基于有监督的学习模型，需要来自每座桥梁的大量标记数据。获取这些标记数据即使不是不可能的，也是昂贵且耗时的。此外，直接将在一座桥梁上训练的有监督学习模型应用于新桥梁，会由于不同桥梁的数据分布之间的变化而导致精度较低。此外，当我们有多个任务（例如，损伤检测、定位和量化）时，分布转移比只有一个任务更具挑战性，因为不同的任务有不同的分布转移和不同的任务难度。 为此，我们引入了HierMUD，这是第一个分层多任务无监督领域自适应框架，它将从一座桥梁学习到的损伤诊断模型转移到一座新桥梁，而无需在任何任务中使用新桥梁的任何标签。具体来说，我们的框架以对抗的方式学习分层神经网络模型，以提取对多个诊断任务有用且跨多个桥梁不变的