Il monitoraggio della salute strutturale (SHM) si riferisce al processo di implementazione di una strategia di individuazione e caratterizzazione del danno per strutture ingegneristiche. Qui il danno è definito come modifiche al materiale e / o alle proprietà geometriche di un sistema strutturale, comprese le modifiche alle condizioni al contorno e alla connettività del sistema, che influiscono negativamente sulle prestazioni del sistema. Il processo SHM comporta l’osservazione di un sistema nel tempo utilizzando misure di risposta dinamica periodicamente campionate da una serie di sensori, l’estrazione di caratteristiche sensibili ai danni da queste misurazioni e l’analisi statistica di queste caratteristiche per determinare lo stato corrente della salute del sistema. Per SHM a lungo termine, l’output di questo processo è periodicamente aggiornato sulle informazioni relative alla capacità della struttura di svolgere la funzione prevista alla luce dell’inevitabile invecchiamento e degrado derivante dagli ambienti operativi. Dopo eventi estremi, come terremoti o esplosioni, SHM viene utilizzato per lo screening rapido delle condizioni e mira a fornire, in tempo quasi reale, informazioni affidabili sull’integrità della struttura. L’ispezione delle infrastrutture svolge un ruolo chiave nella sicurezza pubblica per quanto riguarda sia l’accumulo di danni a lungo termine che gli scenari post estremi degli eventi. Nell’ambito dei rapidi sviluppi delle tecnologie basate sui dati che stanno trasformando molti campi dell’ingegneria e della scienza, le tecniche di machine learning e di visione artificiale sono sempre più in grado di diagnosticare e classificare in modo affidabile i modelli nei dati di immagine,

introduzione
Metodi qualitativi e non continuativi sono stati a lungo utilizzati per valutare le strutture per la loro capacità di servire allo scopo previsto. Dall’inizio del XIX secolo, i rubinetti delle ruote delle ferrovie hanno usato il suono di un martello che colpisce la ruota del treno per valutare se il danno fosse presente. Nelle macchine rotanti, il monitoraggio delle vibrazioni è stato utilizzato per decenni come tecnica di valutazione delle prestazioni. Due tecniche nel campo dell’SHM sono tecniche basate sulla propagazione dell’onda Raghavan e Cesnik e tecniche basate sulla vibrazione. Ampiamente la letteratura per SHM basata sulle vibrazioni può essere divisa in due aspetti, il primo in cui i modelli sono proposti per il danno per determinare le caratteristiche dinamiche, noto anche come problema diretto, ad esempio riferimento, Unified Framework e il secondo, in cui le caratteristiche dinamiche sono utilizzate per determinare le caratteristiche del danno, noto anche come problema inverso, ad esempio riferimento. Negli ultimi dieci-quindici anni, le tecnologie SHM sono emerse creando un nuovo entusiasmante campo all’interno di vari settori dell’ingegneria. Durante questo periodo sono state istituite conferenze accademiche e riviste scientifiche che si concentrano specificamente su SHM. Queste tecnologie stanno diventando sempre più comuni.

Riconoscimento del modello statistico
Il problema SHM può essere affrontato nel contesto di un paradigma di riconoscimento di pattern statistici. Questo paradigma può essere suddiviso in quattro parti: (1) Valutazione operativa, (2) Acquisizione e pulizia dei dati, (3) Estrazione delle caratteristiche e compressione dei dati, e (4) Sviluppo del modello statistico per la discriminazione delle caratteristiche. Quando si tenta di applicare questo paradigma ai dati delle strutture del mondo reale, diventa subito evidente che la capacità di pulire, comprimere, normalizzare e fondere i dati per tenere conto della variabilità operativa e ambientale è un problema chiave di implementazione quando si affrontano le Parti 2-4 di questo paradigma. Questi processi possono essere implementati tramite hardware o software e, in generale, verrà utilizzata una combinazione di questi due approcci.

Valutazione della salute di strutture ingegnerizzate di ponti, edifici e altre infrastrutture correlate
Comunemente noto come Structural Health Assessment (SHA) o SHM, questo concetto è ampiamente applicato a varie forme di infrastrutture, specialmente quando i paesi di tutto il mondo entrano in un periodo ancora più grande di costruzione di varie infrastrutture che vanno dai ponti ai grattacieli. Soprattutto quando si tratta di danni alle strutture, è importante notare che ci sono fasi di difficoltà crescente che richiedono la conoscenza delle fasi precedenti, vale a dire:

Rilevare l’esistenza del danno sulla struttura
Individuazione del danno
Identificazione dei tipi di danni
Quantificare la gravità del danno

È necessario impiegare l’elaborazione del segnale e la classificazione statistica per convertire i dati del sensore sullo stato della salute infrastrutturale in informazioni sui danni per la valutazione.

Valutazione operativa
La valutazione operativa tenta di rispondere a quattro domande riguardanti l’implementazione di una capacità di identificazione del danno:

i) Quali sono la sicurezza della vita e / o la giustificazione economica per eseguire l’SHM?
ii) Come viene definito il danno per il sistema oggetto di indagine e, per le molteplici possibilità di danno, quali sono i casi più preoccupanti?
iii) Quali sono le condizioni, sia operative che ambientali, in base alle quali funziona il sistema da monitorare?
iv) Quali sono i limiti nell’acquisizione dei dati nell’ambiente operativo?

La valutazione operativa inizia a stabilire i limiti su ciò che verrà monitorato e su come verrà effettuato il monitoraggio. Questa valutazione inizia ad adattare il processo di identificazione del danno a caratteristiche uniche per il sistema monitorato e cerca di sfruttare le caratteristiche uniche del danno che deve essere rilevato.

Acquisizione, normalizzazione e pulizia dei dati
La porzione di acquisizione dati del processo SHM comprende la selezione dei metodi di eccitazione, i tipi di sensori, il numero e le posizioni e l’hardware di acquisizione / memorizzazione / trasmissione dei dati. Ancora una volta, questo processo sarà specifico dell’applicazione. Considerazioni economiche svolgeranno un ruolo importante nel prendere queste decisioni. Gli intervalli in cui i dati dovrebbero essere raccolti sono un’altra considerazione che deve essere affrontata.

Poiché i dati possono essere misurati in condizioni variabili, la capacità di normalizzare i dati diventa molto importante per il processo di identificazione dei danni. Poiché si applica a SHM, la normalizzazione dei dati è il processo di separazione delle modifiche nella lettura del sensore causate da danni causati da condizioni operative e ambientali variabili. Una delle procedure più comuni è la normalizzazione delle risposte misurate dagli ingressi misurati. Quando la variabilità ambientale o operativa è un problema, può sorgere la necessità di normalizzare i dati in un certo modo temporale per facilitare il confronto dei dati misurati in momenti simili di un ciclo ambientale o operativo. Le fonti di variabilità nel processo di acquisizione dei dati e con il sistema monitorato devono essere identificate e ridotte al minimo nella misura del possibile. In generale, non tutte le fonti di variabilità possono essere eliminate. Pertanto, è necessario effettuare le misurazioni appropriate in modo tale che queste fonti possano essere quantificate statisticamente. La variabilità può derivare dal cambiamento delle condizioni ambientali e di test, dai cambiamenti nel processo di riduzione dei dati e dalle incoerenze unità-unità.

La pulizia dei dati è il processo di scelta selettiva dei dati da trasferire o rifiutare dal processo di selezione delle funzionalità. Il processo di pulizia dei dati è solitamente basato sulle conoscenze acquisite dagli individui direttamente coinvolti nell’acquisizione dei dati. Ad esempio, un’ispezione dell’impostazione del test può rivelare che un sensore è stato montato in modo non lineare e, quindi, sulla base del giudizio degli individui che eseguono la misurazione, questo insieme di dati o i dati provenienti da quel particolare sensore possono essere eliminati selettivamente dal processo di selezione delle caratteristiche. Tecniche di elaborazione del segnale come il filtraggio e il ricampionamento possono anche essere pensate come procedure di pulizia dei dati.

Infine, la parte di acquisizione, normalizzazione e pulizia dei dati del processo SHM non dovrebbe essere statica. Le informazioni acquisite dal processo di selezione delle caratteristiche e il processo di sviluppo del modello statistico forniranno informazioni sulle modifiche che possono migliorare il processo di acquisizione dei dati.

Estrazione delle feature e compressione dei dati
L’area del processo SHM che riceve maggiore attenzione nella letteratura tecnica è l’identificazione delle caratteristiche dei dati che consente di distinguere tra la struttura non danneggiata e danneggiata. Inerente a questo processo di selezione delle caratteristiche è la condensazione dei dati. Le migliori caratteristiche per l’identificazione del danno sono, ancora una volta, specifiche dell’applicazione.

Uno dei metodi di estrazione delle feature più comuni si basa sulla correlazione delle grandezze di risposta del sistema misurate, come l’ampiezza o la frequenza di vibrazione, con le osservazioni di prima mano del sistema degradante. Un altro metodo per sviluppare funzionalità per l’identificazione del danno consiste nell’applicare i difetti ingegnerizzati, simili a quelli previsti nelle effettive condizioni operative, ai sistemi e sviluppare una prima comprensione dei parametri sensibili al danno atteso. Il sistema imperfetto può anche essere usato per convalidare che le misurazioni diagnostiche sono abbastanza sensibili da distinguere tra caratteristiche identificate dal sistema non danneggiato e danneggiato. L’uso di strumenti analitici come modelli a elementi finiti validati sperimentalmente può essere una grande risorsa in questo processo. In molti casi gli strumenti analitici vengono utilizzati per eseguire esperimenti numerici in cui i difetti vengono introdotti attraverso la simulazione al computer. I test di accumulo dei danni, durante i quali i componenti strutturali significativi del sistema in esame sono degradati sottoponendoli a condizioni di carico realistiche, possono essere utilizzati anche per identificare le caratteristiche appropriate. Questo processo può implicare test di danno indotto, test di fatica, crescita della corrosione o ciclaggio della temperatura per accumulare determinati tipi di danni in modo accelerato. La comprensione delle caratteristiche appropriate può essere acquisita da diversi tipi di studi analitici e sperimentali come descritto sopra ed è solitamente il risultato di informazioni ottenute da una combinazione di questi studi. durante il quale i componenti strutturali significativi del sistema in esame vengono degradati sottoponendoli a condizioni di carico realistiche, possono essere utilizzati anche per identificare caratteristiche appropriate. Questo processo può implicare test di danno indotto, test di fatica, crescita della corrosione o ciclaggio della temperatura per accumulare determinati tipi di danni in modo accelerato. La comprensione delle caratteristiche appropriate può essere acquisita da diversi tipi di studi analitici e sperimentali come descritto sopra ed è solitamente il risultato di informazioni ottenute da una combinazione di questi studi. durante il quale i componenti strutturali significativi del sistema in esame vengono degradati sottoponendoli a condizioni di carico realistiche, possono essere utilizzati anche per identificare caratteristiche appropriate. Questo processo può implicare test di danno indotto, test di fatica, crescita della corrosione o ciclaggio della temperatura per accumulare determinati tipi di danni in modo accelerato. La comprensione delle caratteristiche appropriate può essere acquisita da diversi tipi di studi analitici e sperimentali come descritto sopra ed è solitamente il risultato di informazioni ottenute da una combinazione di questi studi. o la temperatura ciclica per accumulare certi tipi di danni in modo accelerato. La comprensione delle caratteristiche appropriate può essere acquisita da diversi tipi di studi analitici e sperimentali come descritto sopra ed è solitamente il risultato di informazioni ottenute da una combinazione di questi studi. o la temperatura ciclica per accumulare certi tipi di danni in modo accelerato. La comprensione delle caratteristiche appropriate può essere acquisita da diversi tipi di studi analitici e sperimentali come descritto sopra ed è solitamente il risultato di informazioni ottenute da una combinazione di questi studi.

L’implementazione operativa e le tecnologie di misurazione diagnostica necessarie per eseguire SHM producono più dati rispetto agli usi tradizionali delle informazioni sulla dinamica strutturale. Una condensazione dei dati è vantaggiosa e necessaria quando sono previsti confronti di molti set di caratteristiche ottenuti durante la vita della struttura. Inoltre, poiché i dati saranno acquisiti da una struttura per un lungo periodo di tempo e in un ambiente operativo, devono essere sviluppate solide tecniche di riduzione dei dati per mantenere la sensibilità delle caratteristiche ai cambiamenti strutturali di interesse in presenza di variabilità ambientale e operativa. Per aiutare ulteriormente nell’estrazione e registrazione dei dati di qualità necessari per eseguire SHM, il significato statistico delle caratteristiche dovrebbe essere caratterizzato e utilizzato nel processo di condensazione.

Sviluppo del modello statistico
La parte del processo SHM che ha ricevuto la minima attenzione nella letteratura tecnica è lo sviluppo di modelli statistici per la discriminazione tra le caratteristiche delle strutture non danneggiate e danneggiate. Lo sviluppo del modello statistico riguarda l’implementazione degli algoritmi che operano sulle caratteristiche estratte per quantificare lo stato di danno della struttura. Gli algoritmi utilizzati nello sviluppo del modello statistico di solito rientrano in tre categorie. Quando i dati sono disponibili sia dalla struttura non danneggiata che danneggiata, gli algoritmi di riconoscimento di pattern statistici rientrano nella classificazione generale definita come apprendimento supervisionato. La classificazione di gruppo e l’analisi di regressione sono categorie di algoritmi di apprendimento supervisionati. L’apprendimento senza supervisione fa riferimento ad algoritmi applicati a dati che non contengono esempi dalla struttura danneggiata. Rilevamento anomalo o novità è la classe primaria di algoritmi applicati nelle applicazioni di apprendimento non supervisionate. Tutti gli algoritmi analizzano le distribuzioni statistiche delle caratteristiche misurate o derivate per migliorare il processo di identificazione dei danni.

Assiomi fondamentali
Sulla base della vasta letteratura che si è sviluppata su SHM negli ultimi 20 anni, si può sostenere che questo campo è maturato al punto in cui sono emersi diversi assiomi fondamentali o principi generali. Gli assiomi sono elencati come segue:

Assioma I: tutti i materiali hanno difetti o difetti intrinseci;
Assioma II: la valutazione del danno richiede un confronto tra due stati del sistema;
Assioma III: Identificare l’esistenza e la posizione del danno può essere fatto in una modalità di apprendimento non supervisionata, ma identificare il tipo di danno presente e la gravità del danno può generalmente essere fatto solo in modalità di apprendimento supervisionato;
Axiom IVa: i sensori non possono misurare il danno. L’estrazione delle caratteristiche attraverso l’elaborazione del segnale e la classificazione statistica è necessaria per convertire i dati del sensore in informazioni sui danni;
Axiom IVb: senza un’estrazione intelligente delle feature, più una misura è sensibile al danno, più sensibile è la modifica delle condizioni operative e ambientali;
Assioma V: le scale di lunghezza e tempo associate all’avvio e all’evoluzione del danno dettano le proprietà richieste del sistema di rilevamento SHM;
Assioma VI: esiste un compromesso tra la sensibilità al danno di un algoritmo e la sua capacità di reiezione del rumore;
Assioma VII: la dimensione del danno che può essere rilevata dai cambiamenti nella dinamica del sistema è inversamente proporzionale alla gamma di frequenza dell’eccitazione.