구조 건강 모니터링 (SHM)은 엔지니어링 구조에 대한 손상 감지 및 특성화 전략을 구현하는 프로세스를 말합니다. 여기서 손상은 시스템의 성능에 악영향을 미치는 경계 조건 및 시스템 연결성의 변경을 포함하여 구조 시스템의 재료 및 / 또는 기하학적 특성에 대한 변경으로 정의됩니다. SHM 프로세스는 센서 배열에서 주기적으로 샘플링 된 동적 응답 측정을 사용하여 시간 경과에 따른 시스템 관찰, 이러한 측정에서 손상에 민감한 피쳐 추출 및 이러한 기능의 통계 분석을 통해 시스템 상태의 현재 상태를 결정합니다. 장기 SHM의 경우, 이 프로세스의 출력은 운영 환경으로 인한 피할 수없는 노후화 및 저하에 비추어 의도 된 기능을 수행하는 구조 능력에 관한 정보가 주기적으로 업데이트됩니다. 지진이나 폭발 하중과 같은 극한 상황 후에 SHM은 신속한 상태 검사에 사용되며 거의 실시간으로 구조물의 무결성에 관한 신뢰할 수있는 정보를 제공하기위한 것입니다. 인프라 검사는 장기간의 손상 축적과 극단적 인 사건 시나리오와 관련하여 공공 안전에 핵심적인 역할을합니다. 공학 및 과학 분야의 많은 분야를 변화시키는 데이터 기반 기술의 급속한 발전의 일환으로 기계 학습 및 컴퓨터 비전 기술은 이미지 데이터의 패턴을 신뢰할 수있게 진단하고 분류 할 수있는 기술이 점차 늘고 있습니다.
소개
질적 및 비 연속적 방법은 오랫동안 구조물이 의도 된 목적을 달성 할 수있는 능력을 평가하는 데 사용되어 왔습니다. 19 세기 초반부터 철도 차량 – 태퍼는 손상이 있는지 평가하기 위해 열차 바퀴를 치는 소리를 사용했습니다. 회전 기계에서 진동 모니터링은 수십 년 동안 성능 평가 기술로 사용되어 왔습니다. SHM 분야의 두 가지 기법은 파도 전파 기반 기법 인 Raghavan and Cesnik과 진동 기반 기법입니다. 대체로 진동 기반 SHM에 대한 문헌은 두 가지 측면으로 나눌 수 있는데, 첫 번째 모델은 손상을 위해 동적 특성을 결정하기 위해 제안 된 것으로, 직접적인 문제로도 알려져있다 (예 : Unified Framework 및 두 번째, 동적 특성은 예를 들어, 역 (inverse) 문제로 알려진 손상 특성을 결정하는데 사용된다. 지난 10 년에서 15 년 사이에 SHM 기술은 다양한 엔지니어링 부서에서 흥미 진 진한 새로운 분야를 창출했습니다. 이 기간 동안 SHM에 특별히 초점을 맞춘 학술회의 및 과학 저널이 수립되었습니다. 이러한 기술은 현재 점점 더 보편화되고 있습니다.
통계적 패턴 인식
SHM 문제는 통계적 패턴 인식 패러다임의 맥락에서 다루어 질 수있다. 이 패러다임은 (1) 운영 평가, (2) 데이터 수집 및 클렌징, (3) 피쳐 추출 및 데이터 압축, (4) 피처 차별을위한 통계 모델 개발의 네 부분으로 나눌 수 있습니다. 이 패러다임을 실제 구조물의 데이터에 적용하려고 할 때, 작업 및 환경 변화를 고려하여 데이터를 정제, 압축, 표준화 및 융합하는 기능은이 파트 2-4를 다룰 때 핵심 구현 문제입니다 어형 변화표. 이러한 프로세스는 하드웨어 또는 소프트웨어를 통해 구현 될 수 있으며, 일반적으로 이러한 두 가지 접근 방식의 일부 조합이 사용됩니다.
교량, 건물 및 기타 관련 기반 시설의 설계 구조에 대한 건강 평가
일반적으로 SHA (Structural Health Assessment) 또는 SHM으로 알려진이 개념은 다양한 형태의 인프라에 광범위하게 적용됩니다. 특히 전 세계 국가가 다리에서 고층 건물에 이르는 다양한 인프라를 구축하는 데 더 많은 시간을 투자합니다. 특히 구조물에 대한 피해가 우려 될 때, 이전 단계에 대한 지식을 필요로하는 어려움이 증가하는 단계가 있음을 알아야합니다. 즉 :
구조물 손상의 존재를 감지
손상 위치
피해 유형 식별
피해의 심각성 정량화
인프라 구조 상태에 대한 센서 데이터를 평가를위한 손상 정보로 변환하려면 신호 처리 및 통계 분류를 사용해야합니다.
운영 평가
운영 평가는 손상 식별 능력의 구현에 관한 네 가지 질문에 답하려고 시도한다.
i) SHM 수행을위한 생명 안전 및 / 또는 경제적 타당성은 무엇인가?
ii) 시스템에 대해 정의 된 손상이 어떻게 조사되고 있으며, 여러 가지 손상 가능성이있는 경우 어떤 경우가 가장 중요합니까?
iii) 모니터링 대상 시스템이 작동하는 환경 및 운영상의 조건은 무엇입니까?
iv) 운영 환경에서 데이터를 수집 할 때의 제한은 무엇입니까?
운영 평가는 모니터링 대상과 모니터링 방법에 대한 제한을 설정하기 시작합니다. 이 평가는 모니터되는 시스템에 고유 한 기능으로 손상 식별 프로세스를 조정하고 감지 할 손상의 고유 한 기능을 이용하려고합니다.
데이터 수집, 표준화 및 클렌징
SHM 프로세스의 데이터 수집 부분에는 여기 방법, 센서 유형, 수 및 위치, 데이터 수집 / 저장 / 전송 하드웨어 선택이 포함됩니다. 다시 말하지만,이 프로세스는 애플리케이션에 따라 다릅니다. 경제적 고려 사항은 이러한 결정을 내리는 데 중요한 역할을합니다. 데이터를 수집해야하는 간격은 해결해야 할 또 다른 고려 사항입니다.
다양한 조건에서 데이터를 측정 할 수 있기 때문에 데이터를 정규화하는 기능이 손상 식별 프로세스에 매우 중요합니다. SHM에 적용되는 것처럼 데이터 정규화는 다양한 조작 및 환경 조건으로 인해 발생하는 손상으로 인한 센서 판독 값의 변화를 분리하는 프로세스입니다. 가장 일반적인 절차 중 하나는 측정 된 입력에 의해 측정 된 응답을 표준화하는 것입니다. 환경 적 또는 운영 적 가변성이 문제가 될 때, 환경 적 또는 운영 적 사이클의 유사한시기에 측정 된 데이터의 비교를 용이하게하기 위해 일시적인 방식으로 데이터를 표준화하는 필요성이 발생할 수 있습니다. 데이터 수집 프로세스 및 모니터링되는 시스템의 가변성 원인은 가능한 한 식별하고 최소화해야합니다. 일반적으로, 변동성의 모든 원인을 제거 할 수있는 것은 아닙니다. 그러므로, 이들 자료가 통계적으로 정량화 될 수 있도록 적절한 측정을 실시 할 필요가있다. 환경 및 테스트 조건의 변화, 데이터 축소 프로세스의 변경 및 장치 간 불일치로 인해 다양성이 발생할 수 있습니다.
데이터 정리는 기능 선택 프로세스로 넘어가거나 거부 할 데이터를 선택적으로 선택하는 프로세스입니다. 데이터 정리 프로세스는 대개 데이터 수집에 직접 관련된 개인이 습득 한 지식을 기반으로합니다. 예를 들어, 테스트 설정을 검사하면 센서가 느슨하게 장착되어 측정을 수행하는 개인의 판단에 따라이 데이터 세트 또는 특정 센서의 데이터가 선택적으로 삭제 될 수 있습니다. 기능 선택 프로세스. 필터링 및 재 샘플링과 같은 신호 처리 기술도 데이터 정제 절차로 간주 될 수 있습니다.
마지막으로, SHM 프로세스의 데이터 수집, 정규화 및 클렌징 부분은 정적이어서는 안됩니다. 기능 선택 프로세스 및 통계 모델 개발 프로세스에서 얻은 통찰력은 데이터 수집 프로세스를 개선 할 수있는 변경 사항에 대한 정보를 제공합니다.
피쳐 추출 및 데이터 압축
기술 문헌에서 가장 많은 주목을받는 SHM 프로세스의 영역은 손상되지 않은 구조와 손상된 구조를 구분할 수있는 데이터 기능을 식별하는 것입니다. 이 기능 선택 과정에서 내재 된 것은 데이터의 응축입니다. 손상 식별을위한 가장 좋은 기능은 응용 분야에 따라 다릅니다.
가장 일반적인 특징 추출 방법 중 하나는 진동 진폭이나 주파수와 같은 측정 된 시스템 응답 수량을 저하 시스템의 직접 관측과 연관시키는 것에 기반합니다. 손상 확인을위한 기능을 개발하는 또 다른 방법은 실제 작동 조건에서 예상되는 것과 유사한 공학 결함을 시스템에 적용하고 예상되는 손상에 민감한 매개 변수에 대한 초기 이해를 개발하는 것입니다. 손상된 시스템은 또한 진단 측정이 손상되지 않은 시스템과 손상된 시스템에서 식별 된 기능을 구별하기에 충분히 민감하다는 것을 검증하는 데 사용될 수 있습니다. 실험적으로 검증 된 유한 요소 모델과 같은 분석 도구를 사용하면이 프로세스에서 큰 자산이 될 수 있습니다. 많은 경우 분석 도구는 결함이 컴퓨터 시뮬레이션을 통해 도입되는 수치 실험을 수행하는 데 사용됩니다. 연구중인 시스템의 중요한 구조적 구성 요소가 현실적인 부하 조건을 겪음으로써 저하되는 손상 축적 테스트는 또한 적절한 기능을 식별하는 데 사용될 수 있습니다. 이 프로세스에는 유도 된 손상 테스트, 피로 테스트, 부식 성장 또는 온도 사이클링이 포함되어 특정 유형의 손상을 가속화 된 방식으로 축적 할 수 있습니다. 적절한 특징에 대한 통찰력은 위에서 설명한 여러 가지 유형의 분석 및 실험 연구에서 얻을 수 있으며 일반적으로 이러한 연구의 일부 조합에서 얻은 정보의 결과입니다. 그 동안 연구중인 시스템의 중요한 구조적 구성 요소가 현실적인 적재 조건에 영향을 받아 성능이 저하되는 경우에도 적절한 기능을 식별하는 데 사용할 수 있습니다. 이 프로세스에는 유도 된 손상 테스트, 피로 테스트, 부식 성장 또는 온도 사이클링이 포함되어 특정 유형의 손상을 가속화 된 방식으로 축적 할 수 있습니다. 적절한 특징에 대한 통찰력은 위에서 설명한 여러 가지 유형의 분석 및 실험 연구에서 얻을 수 있으며 일반적으로 이러한 연구의 일부 조합에서 얻은 정보의 결과입니다. 그 동안 연구중인 시스템의 중요한 구조적 구성 요소가 현실적인 적재 조건에 영향을 받아 성능이 저하되는 경우에도 적절한 기능을 식별하는 데 사용할 수 있습니다. 이 프로세스에는 유도 된 손상 테스트, 피로 테스트, 부식 성장 또는 온도 사이클링이 포함되어 특정 유형의 손상을 가속화 된 방식으로 축적 할 수 있습니다. 적절한 특징에 대한 통찰력은 위에서 설명한 여러 가지 유형의 분석 및 실험 연구에서 얻을 수 있으며 일반적으로 이러한 연구의 일부 조합에서 얻은 정보의 결과입니다. 또는 온도 사이클링을 통해 특정 유형의 손상을 가속화 된 방식으로 축적합니다. 적절한 특징에 대한 통찰력은 위에서 설명한 여러 가지 유형의 분석 및 실험 연구에서 얻을 수 있으며 일반적으로 이러한 연구의 일부 조합에서 얻은 정보의 결과입니다. 또는 온도 사이클링을 통해 특정 유형의 손상을 가속화 된 방식으로 축적합니다. 적절한 특징에 대한 통찰력은 위에서 설명한 여러 가지 유형의 분석 및 실험 연구에서 얻을 수 있으며 일반적으로 이러한 연구의 일부 조합에서 얻은 정보의 결과입니다.
SHM을 수행하는 데 필요한 운영 구현 및 진단 측정 기술은 구조 역학 정보의 전통적인 용도보다 많은 데이터를 생성합니다. 데이터의 응축은 구조의 수명 동안 획득 된 많은 피쳐 세트의 비교가 구상 될 때 유용하고 필요합니다. 또한 데이터는 장기간 및 운영 환경에서 구조로부터 수집되므로 환경 및 운영 변동성이 존재하는 경우 구조적 변화에 대한 피처 민감성을 유지하기 위해 견고한 데이터 감소 기술을 개발해야합니다. SHM을 수행하는 데 필요한 품질 데이터의 추출 및 기록을 돕기 위해 형상의 통계적 유의성을 특성화하고 응축 과정에서 사용해야합니다.
통계 모델 개발
SHM 프로세스에서 기술 문헌에서 가장 관심을받지 못한 부분은 손상되지 않은 구조물과 손상된 구조물의 피쳐를 구별하는 통계 모델 개발입니다. 통계 모델 개발은 구조의 손상 상태를 정량화하기 위해 추출 된 피쳐를 조작하는 알고리즘의 구현과 관련됩니다. 통계 모델 개발에 사용되는 알고리즘은 대개 세 가지 범주로 나뉩니다. 손상되지 않은 구조와 손상된 구조에서 데이터를 사용할 수있는 경우 통계 패턴 인식 알고리즘은 감독 학습이라고하는 일반적인 분류에 속합니다. 그룹 분류 및 회귀 분석은 감독 학습 알고리즘의 범주입니다. 감독되지 않은 학습은 손상된 구조의 예제가 포함되지 않은 데이터에 적용되는 알고리즘을 의미합니다. 아웃 라이어 (Outlier) 또는 참신 탐지 (novelty detection)는 감독되지 않은 학습 애플리케이션에 적용되는 주요 클래스의 알고리즘입니다. 모든 알고리즘은 측정 또는 파생 된 피쳐의 통계적 분포를 분석하여 손상 식별 프로세스를 향상시킵니다.
기본 공리
지난 20 년 동안 SHM에서 개발 된 광범위한 문헌을 토대로,이 분야는 몇 가지 기본적인 공리 또는 일반적인 원칙이 출현 한 시점까지 성숙되었다고 주장 할 수 있습니다. 공리는 다음과 같이 나열됩니다.
공리 I : 모든 재료에는 내재 된 결함이나 결함이 있습니다.
공리 II : 손상 평가에는 두 가지 시스템 상태를 비교해야합니다.
공리주의 III : 손상의 존재 및 위치를 확인하는 것은 감독되지 않은 학습 모드에서 수행 할 수 있지만 현재 존재하는 손상의 유형과 손상의 심각도를 확인하는 것은 일반적으로 감독 학습 모드에서만 수행 할 수 있습니다.
공리력 IVa : 센서는 손상을 측정 할 수 없습니다. 센서 데이터를 손상 정보로 변환하려면 신호 처리 및 통계 분류를 통한 피쳐 추출이 필요합니다.
공리 IVb : 지능형 피쳐 추출이 없으면 손상에 대한 민감도가 높을수록 운영 및 환경 조건의 변화에 더 민감합니다.
공리 V : 손상 시작 및 진화와 관련된 길이 및 시간 스케일은 SHM 감지 시스템의 요구되는 특성을 나타냅니다.
공리 (Axiom) VI : 알고리즘의 손상에 대한 민감도와 잡음 제거 능력 사이에는 트레이드 오프 (trade-off)가있다.
공리 체계 VII : 시스템 동역학의 변화에서 감지 할 수있는 손상의 크기는 여기의 주파수 범위에 반비례합니다.