Strukturelle Gesundheitsüberwachung

Structural Health Monitoring (SHM) bezieht sich auf den Prozess der Implementierung einer Schadensdetektions- und -charakterisierungsstrategie für technische Strukturen. Hier wird Schaden definiert als Veränderung der materiellen und / oder geometrischen Eigenschaften eines strukturellen Systems, einschließlich Änderungen der Randbedingungen und der Systemkonnektivität, die die Systemleistung beeinträchtigen. Der SHM-Prozess umfasst die Beobachtung eines Systems über die Zeit hinweg unter Verwendung periodisch abgetasteter dynamischer Reaktionsmessungen von einer Anordnung von Sensoren, die Extraktion von beschädigungsempfindlichen Merkmalen aus diesen Messungen und die statistische Analyse dieser Merkmale, um den aktuellen Zustand der Systemgesundheit zu bestimmen. Für Langzeit-SHM wird die Ausgabe dieses Prozesses periodisch aktualisiert, um Informationen über die Fähigkeit der Struktur zu erhalten, ihre beabsichtigte Funktion angesichts der unvermeidlichen Alterung und Verschlechterung, die aus Betriebsumgebungen resultieren, auszuführen. Nach Extremereignissen wie Erdbeben oder Sprengladungen wird SHM zur schnellen Zustandsüberwachung eingesetzt und soll in nahezu Echtzeit zuverlässige Informationen über die Integrität der Struktur liefern. Die Infrastrukturinspektion spielt eine wichtige Rolle für die öffentliche Sicherheit, sowohl im Hinblick auf die langfristige Schadensakkumulation als auch auf Szenarien nach Extremereignissen. Als Teil der rasanten Entwicklung datengestützter Technologien, die viele Bereiche in Technik und Wissenschaft verändern, sind maschinelles Lernen und Computer-Vision-Techniken zunehmend in der Lage, Muster in Bilddaten zuverlässig zu diagnostizieren und zu klassifizieren, was klare Anwendungen in Inspektionskontexten hat.

Einführung
Qualitative und nicht-kontinuierliche Methoden werden seit langem verwendet, um Strukturen hinsichtlich ihrer Fähigkeit, ihren beabsichtigten Zweck zu erfüllen, zu bewerten. Seit Anfang des 19. Jahrhunderts haben Eisenbahnrad-Zapfer das Geräusch eines auf das Räderwerk schlagenden Hammers verwendet, um zu bewerten, ob ein Schaden vorhanden war. In rotierenden Maschinen wird die Vibrationsüberwachung seit Jahrzehnten als Leistungsbeurteilungstechnik verwendet. Zwei Techniken auf dem Gebiet der SHM sind wellenpropagationsbasierte Techniken Raghavan und Cesnik und vibrationsbasierte Techniken. Allgemein kann die Literatur für schwingungsbasierte SHM in zwei Aspekte unterteilt werden, wobei der erste, bei dem Modelle für den Schaden zur Bestimmung der dynamischen Eigenschaften vorgeschlagen werden, auch bekannt als das direkte Problem, beispielsweise das Unified Framework, und das zweite, wobei die dynamischen Eigenschaften werden verwendet, um Schadencharakteristiken zu bestimmen, die auch als das inverse Problem bezeichnet werden, zum Beispiel referenzieren. In den letzten zehn bis fünfzehn Jahren haben sich SHM-Technologien entwickelt, die ein aufregendes neues Feld in verschiedenen Bereichen der Technik geschaffen haben. In dieser Zeit wurden akademische Konferenzen und wissenschaftliche Zeitschriften eingerichtet, die sich speziell auf SHM konzentrieren. Diese Technologien werden derzeit immer häufiger verwendet.

Statistische Mustererkennung
Das SHM-Problem kann im Kontext eines statistischen Mustererkennungsparadigmas behandelt werden. Dieses Paradigma kann in vier Teile unterteilt werden: (1) Operationelle Bewertung, (2) Datenerfassung und -bereinigung, (3) Merkmalsextraktion und Datenkompression und (4) Statistische Modellentwicklung für Merkmalunterscheidung. Wenn man versucht, dieses Paradigma auf Daten aus realen Strukturen anzuwenden, wird schnell klar, dass die Fähigkeit, Daten zu bereinigen, zu komprimieren, zu normalisieren und zu verschmelzen, um Schwankungen in Betrieb und Umwelt zu berücksichtigen, ein zentrales Implementierungsproblem ist, wenn Teile 2-4 angesprochen werden Paradigma. Diese Prozesse können durch Hardware oder Software implementiert werden, und im Allgemeinen wird eine Kombination dieser beiden Ansätze verwendet.

Gesundheitsbewertung von technischen Strukturen von Brücken, Gebäuden und anderen damit verbundenen Infrastrukturen
Allgemein bekannt als Structural Health Assessment (SHA) oder SHM, wird dieses Konzept in verschiedenen Formen von Infrastrukturen angewendet, insbesondere, da Länder auf der ganzen Welt in eine noch größere Periode des Aufbaus verschiedener Infrastrukturen gehen, die von Brücken bis zu Wolkenkratzern reichen. Besonders bei Schäden an Bauwerken ist es wichtig zu beachten, dass es Phasen zunehmender Schwierigkeit gibt, die die Kenntnis früherer Phasen erfordern, nämlich:

Erkennen der Existenz des Schadens an der Struktur
Den Schaden lokalisieren
Identifizieren der Arten von Schäden
Quantifizierung der Schwere des Schadens

Es ist notwendig, eine Signalverarbeitung und statistische Klassifizierung zu verwenden, um Sensordaten über den Gesundheitsstatus der Infrastruktur in Schadensinformationen zur Bewertung umzuwandeln.

Betriebsbewertung
Operationelle Evaluation versucht vier Fragen zur Implementierung einer Schadensidentifikationsfähigkeit zu beantworten:

i) Was sind die lebenswichtigen und / oder wirtschaftlichen Gründe für die Durchführung der SHM?
ii) Wie ist der Schaden für das zu untersuchende System definiert, und bei mehreren Schadensmechanismen, welche Fälle sind am besorgniserregendsten?
iii) Welche betrieblichen und ökologischen Bedingungen gelten für das zu überwachende System?
iv) Was sind die Einschränkungen bei der Datenerfassung in der Betriebsumgebung?

Die betriebliche Bewertung beginnt, die Grenzen für die Überwachung und die Durchführung der Überwachung festzulegen. Diese Evaluierung beginnt damit, den Schadenidentifikationsprozess auf Merkmale zuzuschneiden, die für das zu überwachende System einzigartig sind, und versucht, einzigartige Merkmale des Schadens zu nutzen, der erkannt werden soll.

Datenerfassung, Normalisierung und Bereinigung
Der Datenakquisitionsabschnitt des SHM-Prozesses umfasst das Auswählen der Anregungsverfahren, der Sensortypen, der Anzahl und der Orte und der Datenerfassungs- / Speicherungs- / Übertragungshardware. Auch dieser Prozess wird anwendungsspezifisch sein. Wirtschaftliche Überlegungen werden bei diesen Entscheidungen eine wichtige Rolle spielen. Die Intervalle, in denen Daten gesammelt werden müssen, sind eine weitere Überlegung, die berücksichtigt werden muss.

Da Daten unter unterschiedlichen Bedingungen gemessen werden können, wird die Fähigkeit, die Daten zu normalisieren, für den Prozess der Schadensidentifikation sehr wichtig. Bei der Datennormierung handelt es sich, wie bei SHM, um die Trennung von Sensoränderungen, die durch Schäden verursacht werden, die durch unterschiedliche Betriebs- und Umgebungsbedingungen verursacht werden. Eine der üblichsten Prozeduren besteht darin, die gemessenen Antworten durch die gemessenen Eingaben zu normalisieren. Wenn Schwankungen in der Umgebung oder im Betrieb ein Problem darstellen, kann es notwendig sein, die Daten zeitweise zu normalisieren, um den Vergleich von Daten zu ermöglichen, die zu ähnlichen Zeiten eines Umwelt- oder Betriebszyklus gemessen werden. Variabilitätsquellen im Datenerfassungsprozess und im überwachten System müssen so weit wie möglich identifiziert und minimiert werden. Im Allgemeinen können nicht alle Quellen der Variabilität eliminiert werden. Daher müssen entsprechende Messungen vorgenommen werden, damit diese Quellen statistisch quantifiziert werden können. Variabilität kann sich aus sich ändernden Umgebungs- und Testbedingungen, Änderungen im Datenreduktionsprozess und Einheit-zu-Einheit-Inkonsistenzen ergeben.

Datenbereinigung ist der Prozess des selektiven Auswählens von Daten, die an den Merkmalauswahlprozess weitergeleitet oder von diesem abgelehnt werden. Der Datenbereinigungsprozess basiert normalerweise auf Wissen, das von Personen gewonnen wird, die direkt mit der Datenerfassung befasst sind. Als ein Beispiel kann eine Untersuchung des Testaufbaus zeigen, dass ein Sensor lose montiert war, und daher kann dieser Satz von Daten oder die Daten von diesem bestimmten Sensor auf der Grundlage der Beurteilung der Personen, die die Messung durchführen, selektiv aus dem Sensor gelöscht werden Merkmal Auswahlverfahren. Signalverarbeitungstechniken wie Filtern und Neuabtasten können auch als Datenbereinigungsprozeduren betrachtet werden.

Schließlich sollte der Datenakquisitions-, Normalisierungs- und Bereinigungsteil des SHM-Prozesses nicht statisch sein. Erkenntnisse, die aus dem Merkmalauswahlprozess gewonnen werden, und der statistische Modellentwicklungsprozess werden Informationen über Änderungen liefern, die den Datenerfassungsprozess verbessern können.

Feature-Extraktion und Datenkomprimierung
Der Bereich des SHM-Prozesses, der in der Fachliteratur die meiste Aufmerksamkeit erhält, ist die Identifikation von Datenmerkmalen, die es erlauben, zwischen der unbeschädigten und der beschädigten Struktur zu unterscheiden. In diesem Merkmalauswahlprozess ist die Kondensation der Daten enthalten. Die besten Merkmale zur Schadensidentifikation sind wiederum anwendungsspezifisch.

Eines der am häufigsten verwendeten Merkmalsextraktionsverfahren beruht auf der Korrelation gemessener Systemantwortgrößen, wie etwa einer Schwingungsamplitude oder -frequenz, mit den Beobachtungen des abbauenden Systems aus erster Hand. Eine weitere Methode zur Entwicklung von Merkmalen zur Schadensidentifikation besteht darin, die Fehler, die den tatsächlichen Betriebsbedingungen ähnlich sind, auf Systeme anzuwenden und ein erstes Verständnis der Parameter zu entwickeln, die empfindlich auf die erwarteten Schäden reagieren. Das fehlerhafte System kann auch verwendet werden, um zu validieren, dass die diagnostischen Messungen empfindlich genug sind, um zwischen Merkmalen zu unterscheiden, die von dem unbeschädigten und dem beschädigten System identifiziert wurden. Der Einsatz von Analysewerkzeugen wie experimentell validierten Finite-Elemente-Modellen kann dabei von großem Nutzen sein. In vielen Fällen werden die analytischen Werkzeuge verwendet, um numerische Experimente durchzuführen, bei denen die Fehler durch Computersimulation eingeführt werden. Schadenstests, bei denen signifikante strukturelle Komponenten des untersuchten Systems durch realistische Belastungsbedingungen abgebaut werden, können ebenfalls zur Identifizierung geeigneter Merkmale verwendet werden. Dieser Prozess kann einen Test auf induzierte Schäden, Ermüdungstests, Korrosionswachstum oder Temperaturzyklen beinhalten, um bestimmte Arten von Schäden in einer beschleunigten Weise zu akkumulieren. Ein Einblick in die geeigneten Merkmale kann aus verschiedenen Arten von analytischen und experimentellen Studien erhalten werden, wie oben beschrieben, und ist üblicherweise das Ergebnis von Informationen, die aus einer Kombination dieser Studien erhalten wurden.

Die zur Durchführung von SHM erforderlichen operativen Implementierungs- und Diagnose-Messtechnologien erzeugen mehr Daten als traditionelle Anwendungen von Strukturdynamikinformationen. Eine Kondensation der Daten ist vorteilhaft und notwendig, wenn Vergleiche vieler Merkmalssätze, die über die Lebensdauer der Struktur erhalten werden, in Betracht gezogen werden. Da Daten von einer Struktur über einen längeren Zeitraum und in einer Betriebsumgebung erfasst werden, müssen außerdem robuste Datenreduktionstechniken entwickelt werden, um die Merkmalsempfindlichkeit gegenüber den interessierenden Strukturänderungen bei Vorhandensein von Umwelt- und Betriebsschwankungen beizubehalten. Um die Extraktion und Aufzeichnung von Qualitätsdaten, die zur Durchführung von SHM benötigt werden, weiter zu unterstützen, sollte die statistische Signifikanz der Merkmale charakterisiert und in dem Kondensationsprozess verwendet werden.

Statistische Modellentwicklung
Der Teil des SHM-Prozesses, der in der Fachliteratur am wenigsten beachtet wurde, ist die Entwicklung statistischer Modelle zur Unterscheidung zwischen Merkmalen von unbeschädigten und beschädigten Strukturen. Die statistische Modellentwicklung befasst sich mit der Implementierung der Algorithmen, die mit den extrahierten Merkmalen arbeiten, um den Schadenszustand der Struktur zu quantifizieren. Die bei der statistischen Modellentwicklung verwendeten Algorithmen fallen üblicherweise in drei Kategorien. Wenn Daten sowohl von der unbeschädigten als auch von der beschädigten Struktur verfügbar sind, fallen die statistischen Mustererkennungsalgorithmen in die allgemeine Klassifizierung, die als überwachtes Lernen bezeichnet wird. Gruppenklassifizierung und Regressionsanalyse sind Kategorien von überwachten Lernalgorithmen. Nicht überwachtes Lernen bezieht sich auf Algorithmen, die auf Daten angewendet werden, die keine Beispiele aus der beschädigten Struktur enthalten. Ausreißer- oder Neuheitserkennung ist die primäre Klasse von Algorithmen, die in unüberwachten Lernanwendungen angewendet werden. Alle Algorithmen analysieren statistische Verteilungen der gemessenen oder abgeleiteten Merkmale, um den Schadenidentifizierungsprozess zu verbessern.

Grundlegende Axiome
Basierend auf der umfangreichen Literatur, die sich in den letzten 20 Jahren auf SHM entwickelt hat, kann argumentiert werden, dass dieses Gebiet bis zu dem Punkt gereift ist, an dem mehrere grundlegende Axiome oder allgemeine Prinzipien entstanden sind. Die Axiome sind wie folgt aufgelistet:

Axiom I: Alle Materialien haben inhärente Fehler oder Defekte;
Axiom II: Die Schadensbewertung erfordert einen Vergleich zwischen zwei Systemzuständen;
Axiom III: Das Erkennen der Existenz und des Ortes des Schadens kann in einem unbeaufsichtigten Lernmodus erfolgen, aber das Identifizieren der Art des vorhandenen Schadens und der Schwere des Schadens kann im Allgemeinen nur in einem überwachten Lernmodus erfolgen;
Axiom IVa: Sensoren können keinen Schaden messen. Merkmalsextraktion durch Signalverarbeitung und statistische Klassifikation ist notwendig, um Sensordaten in Schadensinformationen umzuwandeln;
Axiom IVb: Ohne eine intelligente Merkmalsextraktion ist die Empfindlichkeit einer Messung gegenüber einer Beschädigung umso höher, je sensibler eine Änderung der Betriebs- und Umgebungsbedingungen ist.
Axiom V: Die Längen- und Zeitskalen, die mit der Initiierung und Evolution von Schäden verbunden sind, bestimmen die erforderlichen Eigenschaften des SHM-Erfassungssystems;
Axiom VI: Es besteht ein Kompromiss zwischen der Empfindlichkeit gegenüber einem Schaden eines Algorithmus und seiner Rauschunterdrückungsfähigkeit;
Axiom VII: Die Größe des Schadens, der durch Änderungen der Systemdynamik erkannt werden kann, ist umgekehrt proportional zum Frequenzbereich der Anregung.