संरचनात्मक स्वास्थ्य निगरानी

संरचनात्मक स्वास्थ्य निगरानी (एसएचएम) इंजीनियरिंग संरचनाओं के लिए क्षति का पता लगाने और विशेषता रणनीति को लागू करने की प्रक्रिया को संदर्भित करता है। यहां क्षति को संरचनात्मक प्रणाली के भौतिक और / या ज्यामितीय गुणों में परिवर्तन के रूप में परिभाषित किया गया है, जिसमें सीमा परिस्थितियों और सिस्टम कनेक्टिविटी में परिवर्तन शामिल हैं, जो सिस्टम के प्रदर्शन पर प्रतिकूल प्रभाव डालते हैं। एसएचएम प्रक्रिया में सेंसर की एक सरणी से आवधिक रूप से नमूना गतिशील प्रतिक्रिया माप का उपयोग करके समय के साथ एक सिस्टम का अवलोकन शामिल होता है, इन मापों से क्षति-संवेदनशील सुविधाओं का निष्कर्षण, और इन सुविधाओं के सांख्यिकीय विश्लेषण को सिस्टम स्वास्थ्य की वर्तमान स्थिति निर्धारित करने के लिए शामिल किया जाता है। दीर्घकालिक एसएचएम के लिए, इस प्रक्रिया के आउटपुट को समय-समय पर अपरिवर्तनीय उम्र बढ़ने और परिचालन वातावरण से होने वाली गिरावट के प्रकाश में अपने इच्छित कार्य करने के लिए संरचना की क्षमता के बारे में जानकारी अद्यतन की जाती है। चरम घटनाओं जैसे कि भूकंप या विस्फोट लोडिंग के बाद, एसएचएम का उपयोग तेजी से हालत स्क्रीनिंग के लिए किया जाता है और इसका उद्देश्य निकटतम वास्तविक समय में संरचना की अखंडता के बारे में विश्वसनीय जानकारी प्रदान करना है। इंफ्रास्ट्रक्चर निरीक्षण लंबी अवधि के नुकसान संचय और चरम घटना परिदृश्यों के संबंध में सार्वजनिक सुरक्षा में महत्वपूर्ण भूमिका निभाता है। डेटा-संचालित प्रौद्योगिकियों में तेजी से विकास के हिस्से के रूप में जो इंजीनियरिंग और विज्ञान में कई क्षेत्रों को बदल रहे हैं, मशीन सीखने और कंप्यूटर दृष्टि तकनीक छवि डेटा में पैटर्न का विश्वसनीय निदान और वर्गीकरण करने में तेजी से सक्षम हैं, जिनके निरीक्षण निरीक्षण में स्पष्ट अनुप्रयोग हैं।

परिचय
योग्यतापूर्ण और निरंतर तरीकों का उपयोग लंबे समय से उनके उद्देश्य के उद्देश्य के लिए संरचनाओं का मूल्यांकन करने के लिए किया गया है। 1 9वीं शताब्दी की शुरुआत के बाद से, रेलरोड व्हील-टैपर्स ने ट्रेन व्हील पर हमला करने वाले हथौड़ा की आवाज़ का उपयोग किया है ताकि यह मूल्यांकन किया जा सके कि क्षति मौजूद थी या नहीं। घूर्णन मशीनरी में, प्रदर्शन निगरानी तकनीक के रूप में दशकों तक कंपन निगरानी का उपयोग किया गया है। एसएचएम के क्षेत्र में दो तकनीकें तरंग प्रचार आधारित तकनीक राघवन और सेस्निक और कंपन आधारित तकनीकों हैं। व्यापक रूप से कंपन आधारित एसएचएम के लिए साहित्य को दो पहलुओं में विभाजित किया जा सकता है, पहला मॉडल जिसमें गतिशील विशेषताओं को निर्धारित करने के लिए क्षति के लिए प्रस्तावित किया जाता है, जिसे प्रत्यक्ष समस्या भी कहा जाता है, उदाहरण के लिए, एकीकृत फ्रेमवर्क और दूसरा, जिसमें गतिशील विशेषताओं क्षति विशेषताओं को निर्धारित करने के लिए उपयोग किया जाता है, जिन्हें उलटा समस्या भी कहा जाता है, उदाहरण के लिए संदर्भित करें। पिछले दस से पंद्रह वर्षों में, एसएचएम प्रौद्योगिकियां इंजीनियरिंग की विभिन्न शाखाओं के भीतर एक रोमांचक नए क्षेत्र का निर्माण कर उभरी हैं। अकादमिक सम्मेलनों और वैज्ञानिक पत्रिकाओं की स्थापना इस समय के दौरान की गई है जो विशेष रूप से एसएचएम पर ध्यान केंद्रित करते हैं। ये तकनीकें वर्तमान में तेजी से आम हो रही हैं।

सांख्यिकीय पैटर्न मान्यता
एसएचएम समस्या को एक सांख्यिकीय पैटर्न मान्यता प्रतिमान के संदर्भ में संबोधित किया जा सकता है। यह प्रतिमान चार भागों में विभाजित किया जा सकता है: (1) परिचालन मूल्यांकन, (2) डेटा अधिग्रहण और सफाई, (3) फ़ीचर निष्कर्षण और डेटा संपीड़न, और (4) फ़ीचर भेदभाव के लिए सांख्यिकीय मॉडल विकास। जब कोई वास्तविक दुनिया संरचनाओं से डेटा पर इस प्रतिमान को लागू करने का प्रयास करता है, तो यह जल्दी से स्पष्ट हो जाता है कि संचालन और पर्यावरणीय परिवर्तनशीलता के लिए डेटा को शुद्ध करने, संपीड़ित करने, सामान्य करने और डेटा को फ़्यूज करने की क्षमता एक महत्वपूर्ण कार्यान्वयन समस्या है जब इस भाग 2-4 को संबोधित करते समय प्रतिमान। इन प्रक्रियाओं को हार्डवेयर या सॉफ्टवेयर के माध्यम से कार्यान्वित किया जा सकता है और, सामान्यतः, इन दो दृष्टिकोणों के कुछ संयोजन का उपयोग किया जाएगा।

पुलों, इमारतों और अन्य संबंधित बुनियादी ढांचे के इंजीनियर संरचनाओं का स्वास्थ्य मूल्यांकन
आम तौर पर संरचनात्मक स्वास्थ्य आकलन (एसएचए) या एसएचएम के रूप में जाना जाता है, यह अवधारणा व्यापक रूप से विभिन्न रूपों के आधार पर लागू होती है, खासतौर पर दुनिया भर के देशों के रूप में पुलों से लेकर गगनचुंबी इमारतों तक विभिन्न बुनियादी ढांचे के निर्माण की एक बड़ी अवधि में प्रवेश करते हैं। विशेष रूप से इसलिए जब संरचनाओं के नुकसान का संबंध है, तो यह ध्यान रखना महत्वपूर्ण है कि पिछले चरणों के ज्ञान की आवश्यकता वाले कठिनाई के चरण हैं, अर्थात्:

संरचना पर नुकसान के अस्तित्व का पता लगाना
नुकसान का पता लगाना
नुकसान के प्रकार की पहचान
नुकसान की गंभीरता को कम करना

आकलन के लिए क्षति की जानकारी में आधारभूत स्वास्थ्य स्थिति पर सेंसर डेटा को परिवर्तित करने के लिए सिग्नल प्रोसेसिंग और सांख्यिकीय वर्गीकरण को नियोजित करना आवश्यक है।

परिचालन मूल्यांकन
परिचालन मूल्यांकन क्षति पहचान क्षमता के कार्यान्वयन के संबंध में चार प्रश्नों का उत्तर देने का प्रयास करता है:

i) एसएचएम करने के लिए जीवन सुरक्षा और / या आर्थिक औचित्य क्या हैं?
ii) सिस्टम की जांच के लिए परिभाषित नुकसान कैसे है और, कई क्षति संभावनाओं के लिए, कौन से मामले सबसे अधिक चिंता का विषय हैं?
iii) संचालन और पर्यावरण दोनों स्थितियां क्या हैं, जिसके तहत सिस्टम पर नजर रखी जा सकती है?
iv) परिचालन माहौल में डेटा प्राप्त करने की सीमाएं क्या हैं?

परिचालन मूल्यांकन की निगरानी की जाएगी कि निगरानी की निगरानी की जाएगी और निगरानी कैसे की जाएगी। यह मूल्यांकन उन सुविधाओं को क्षति पहचान प्रक्रिया को तैयार करना शुरू करता है जो निगरानी के लिए अद्वितीय हैं और पता लगाए जाने वाले नुकसान की अनूठी विशेषताओं का लाभ उठाने का प्रयास करता है।

डेटा अधिग्रहण, सामान्यीकरण और सफाई
एसएचएम प्रक्रिया के डेटा अधिग्रहण भाग में उत्तेजना विधियों, सेंसर प्रकार, संख्या और स्थान, और डेटा अधिग्रहण / भंडारण / ट्रांसमीटर हार्डवेयर का चयन करना शामिल है। फिर, यह प्रक्रिया आवेदन विशिष्ट होगी। इन निर्णयों को बनाने में आर्थिक विचार एक प्रमुख भूमिका निभाएंगे। अंतराल जिस पर डेटा एकत्र किया जाना चाहिए, एक और विचार है जिसे संबोधित किया जाना चाहिए।

Related Post

चूंकि डेटा को अलग-अलग स्थितियों के तहत मापा जा सकता है, इसलिए डेटा को सामान्य करने की क्षमता क्षति पहचान प्रक्रिया के लिए बहुत महत्वपूर्ण हो जाती है। चूंकि यह एसएचएम पर लागू होता है, डेटा सामान्यीकरण अलग-अलग परिचालन और पर्यावरणीय परिस्थितियों के कारण होने वाले नुकसान से होने वाले सेंसर पढ़ने में परिवर्तन को अलग करने की प्रक्रिया है। सबसे आम प्रक्रियाओं में से एक मापे गए इनपुट द्वारा मापा प्रतिक्रियाओं को सामान्य करना है। जब पर्यावरण या परिचालन भिन्नता एक मुद्दा है, तो पर्यावरण या परिचालन चक्र के समान समय पर मापा गया डेटा की तुलना को सुविधाजनक बनाने के लिए कुछ अस्थायी फैशन में डेटा को सामान्य करने की आवश्यकता उत्पन्न हो सकती है। डेटा अधिग्रहण प्रक्रिया में परिवर्तनशीलता के स्रोत और निगरानी की जा रही प्रणाली के साथ पहचान की आवश्यकता है और यथासंभव न्यूनतम तक की आवश्यकता है। सामान्य रूप से, परिवर्तनशीलता के सभी स्रोतों को समाप्त नहीं किया जा सकता है। इसलिए, उचित माप करना आवश्यक है जैसे कि इन स्रोतों को सांख्यिकीय रूप से प्रमाणित किया जा सके। पर्यावरणीय और परीक्षण स्थितियों, डेटा में कमी की प्रक्रिया में परिवर्तन, और यूनिट-टू-यूनिट असंगतताओं को बदलने से भिन्नता उत्पन्न हो सकती है।

डेटा क्लिनिंग सुविधा चयन प्रक्रिया से पास या अस्वीकार करने के लिए चुनिंदा डेटा चुनने की प्रक्रिया है। डेटा सफाई प्रक्रिया आमतौर पर डेटा अधिग्रहण से जुड़े व्यक्तियों द्वारा प्राप्त ज्ञान पर आधारित होती है। उदाहरण के तौर पर, परीक्षण सेटअप का निरीक्षण यह प्रकट कर सकता है कि एक सेंसर को कम से कम घुमाया गया था और इसलिए, माप करने वाले व्यक्तियों के फैसले के आधार पर, डेटा का यह सेट या उस विशेष सेंसर से डेटा को चुनिंदा रूप से हटाया जा सकता है सुविधा चयन प्रक्रिया। सिग्नल प्रोसेसिंग तकनीक जैसे फ़िल्टरिंग और री-नमूनाकरण को डेटा सफाई प्रक्रियाओं के रूप में भी सोचा जा सकता है।

अंत में, डेटा अधिग्रहण, सामान्यीकरण, और एसएचएम प्रक्रिया के सफाई हिस्से को स्थिर नहीं होना चाहिए। सुविधा चयन प्रक्रिया से प्राप्त अंतर्दृष्टि और सांख्यिकीय मॉडल विकास प्रक्रिया डेटा अधिग्रहण प्रक्रिया में सुधार कर सकते हैं जो परिवर्तनों के बारे में जानकारी प्रदान करेगा।

फ़ीचर निष्कर्षण और डेटा संपीड़न
एसएचएम प्रक्रिया का क्षेत्र जो तकनीकी साहित्य में सबसे ज्यादा ध्यान देता है वह डेटा सुविधाओं की पहचान है जो किसी को अवांछित और क्षतिग्रस्त संरचना के बीच अंतर करने की अनुमति देता है। इस सुविधा में अंतर्निहित चयन प्रक्रिया डेटा का संक्षेपण है। क्षति पहचान के लिए सबसे अच्छी विशेषताएं, फिर से, आवेदन विशिष्ट हैं।

सबसे आम फीचर निष्कर्षण विधियों में से एक माप प्रणाली के पहले हाथ अवलोकन के साथ मापा प्रणाली प्रतिक्रिया मात्रा, इस तरह के एक कंपन आयाम या आवृत्ति, सहसंबंध पर आधारित है। नुकसान पहचान के लिए सुविधाओं को विकसित करने का एक अन्य तरीका इंजीनियरी त्रुटियों को लागू करना है, वास्तविक परिचालन स्थितियों में अपेक्षित लोगों के समान, सिस्टम के लिए और अपेक्षित क्षति से संवेदनशील मानकों की प्रारंभिक समझ विकसित करना। दोषपूर्ण प्रणाली का उपयोग यह भी सत्यापित करने के लिए किया जा सकता है कि नैदानिक ​​माप अवांछित और क्षतिग्रस्त प्रणाली से पहचाने गए सुविधाओं के बीच अंतर करने के लिए पर्याप्त संवेदनशील हैं। विश्लेषणात्मक औजारों का उपयोग जैसे प्रयोगात्मक-मान्य परिमित तत्व मॉडल इस प्रक्रिया में एक बड़ी संपत्ति हो सकते हैं। कई मामलों में विश्लेषणात्मक औजारों का उपयोग संख्यात्मक प्रयोग करने के लिए किया जाता है जहां कंप्यूटर सिमुलेशन के माध्यम से त्रुटियां पेश की जाती हैं। नुकसान संचय परीक्षण, जिसके दौरान अध्ययन के तहत सिस्टम के महत्वपूर्ण संरचनात्मक घटक उन्हें यथार्थवादी लोडिंग स्थितियों के अधीन रखते हुए अपमानित होते हैं, जिनका उपयोग उपयुक्त सुविधाओं की पहचान के लिए भी किया जा सकता है। इस प्रक्रिया में एक त्वरित फैशन में कुछ प्रकार के नुकसान जमा करने के लिए प्रेरित क्षति परीक्षण, थकान परीक्षण, संक्षारण वृद्धि, या तापमान साइकिल चलाना शामिल हो सकता है। उचित विशेषताओं में अंतर्दृष्टि ऊपर वर्णित अनुसार कई प्रकार के विश्लेषणात्मक और प्रयोगात्मक अध्ययनों से प्राप्त की जा सकती है और आमतौर पर इन अध्ययनों के कुछ संयोजन से प्राप्त जानकारी का परिणाम होता है।

संरचनात्मक गतिशीलता सूचनाओं के पारंपरिक उपयोगों की तुलना में एसएचएम करने के लिए आवश्यक परिचालन कार्यान्वयन और नैदानिक ​​माप प्रौद्योगिकियां अधिक डेटा उत्पन्न करती हैं। डेटा के घनत्व लाभकारी और आवश्यक है जब संरचना के जीवनकाल में प्राप्त कई फीचर सेट की तुलना की जाती है। इसके अलावा, क्योंकि डेटा एक विस्तारित अवधि और एक परिचालन माहौल में संरचना से अधिग्रहित किया जाएगा, पर्यावरणीय और परिचालन परिवर्तनशीलता की उपस्थिति में रुचि के संरचनात्मक परिवर्तनों के लिए सुविधा संवेदनशीलता बनाए रखने के लिए मजबूत डेटा कमी तकनीक विकसित की जानी चाहिए। एसएचएम करने के लिए आवश्यक गुणवत्ता डेटा के निष्कर्षण और रिकॉर्डिंग में और सहायता करने के लिए, सुविधाओं का सांख्यिकीय महत्व विशेषता और संक्षेपण प्रक्रिया में उपयोग किया जाना चाहिए।

सांख्यिकीय मॉडल विकास
तकनीकी साहित्य में कम से कम ध्यान प्राप्त करने वाले एसएचएम प्रक्रिया का हिस्सा अवांछित और क्षतिग्रस्त संरचनाओं से सुविधाओं के बीच भेदभाव के लिए सांख्यिकीय मॉडल का विकास है। सांख्यिकीय मॉडल विकास एल्गोरिदम के कार्यान्वयन से संबंधित है जो संरचना की क्षति स्थिति को मापने के लिए निकाली गई सुविधाओं पर काम करता है। सांख्यिकीय मॉडल विकास में उपयोग किए जाने वाले एल्गोरिदम आमतौर पर तीन श्रेणियों में आते हैं। जब डेटा अवांछित और क्षतिग्रस्त संरचना दोनों से उपलब्ध होता है, तो सांख्यिकीय पैटर्न मान्यता एल्गोरिदम सामान्य वर्गीकरण में आते हैं जिसे पर्यवेक्षित शिक्षा कहा जाता है। समूह वर्गीकरण और प्रतिगमन विश्लेषण पर्यवेक्षित शिक्षण एल्गोरिदम की श्रेणियां हैं। अप्रशिक्षित शिक्षा एल्गोरिदम को संदर्भित करती है जो डेटा पर लागू होती हैं जिसमें क्षतिग्रस्त संरचना से उदाहरण नहीं होते हैं। बाहरी या नवीनता का पता लगाने असुरक्षित शिक्षण अनुप्रयोगों में लागू एल्गोरिदम की प्राथमिक श्रेणी है। सभी एल्गोरिदम क्षति पहचान प्रक्रिया को बढ़ाने के लिए मापा या व्युत्पन्न सुविधाओं के सांख्यिकीय वितरण का विश्लेषण करते हैं।

मौलिक सिद्धांत
पिछले 20 वर्षों में एसएचएम पर विकसित व्यापक साहित्य के आधार पर, यह तर्क दिया जा सकता है कि यह क्षेत्र उस बिंदु तक परिपक्व हो गया है जहां कई मौलिक सिद्धांत, या सामान्य सिद्धांत उभरे हैं। सिद्धांतों को निम्नानुसार सूचीबद्ध किया गया है:

एक्सीम I: सभी सामग्रियों में अंतर्निहित त्रुटियां या दोष होते हैं;
वसंत द्वितीय: क्षति के आकलन के लिए दो सिस्टम राज्यों के बीच तुलना की आवश्यकता होती है;
एक्सीम III: क्षति की मौजूदगी और स्थान की पहचान एक अपरिवर्तित सीखने के तरीके में की जा सकती है, लेकिन वर्तमान में क्षति के प्रकार की पहचान करना और क्षति गंभीरता केवल पर्यवेक्षित शिक्षण मोड में ही की जा सकती है;
वसंत आईवीए: सेंसर नुकसान को माप नहीं सकते हैं। सिग्नल प्रोसेसिंग और सांख्यिकीय वर्गीकरण के माध्यम से फ़ीचर निष्कर्षण सेंसर डेटा को क्षति की जानकारी में परिवर्तित करना आवश्यक है;
एक्सिओम आईवीबी: बुद्धिमान फीचर निष्कर्षण के बिना, एक माप को मापने के लिए अधिक संवेदनशील होता है, परिचालन और पर्यावरणीय परिस्थितियों को बदलने के लिए यह अधिक संवेदनशील होता है;
एक्सीम वी: नुकसान की शुरुआत और विकास से जुड़ी लंबाई और समय-तराजू एसएचएम सेंसिंग सिस्टम के आवश्यक गुणों को निर्देशित करती हैं;
एक्सीम VI: एल्गोरिदम और इसकी शोर अस्वीकृति क्षमता के नुकसान की संवेदनशीलता के बीच एक व्यापार-बंद है;
एक्सीम VII: सिस्टम गतिशीलता में परिवर्तन से पता लगाया जा सकता है कि क्षति का आकार उत्तेजना की आवृत्ति सीमा के विपरीत आनुपातिक है।

Share