Мониторинг структурного здоровья

Структурный мониторинг здоровья (SHM) относится к процессу реализации стратегии обнаружения повреждений и определения характеристик для инженерных структур. Здесь ущерб определяется как изменения материального и / или геометрического свойств структурной системы, включая изменения граничных условий и системных соединений, что отрицательно сказывается на производительности системы. Процесс SHM включает в себя наблюдение за системой во времени с использованием периодических выборочных измерений динамического ответа из массива датчиков, извлечение чувствительных к повреждениям признаков из этих измерений и статистический анализ этих характеристик для определения текущего состояния здоровья системы. Для долгосрочного SHM выход этого процесса периодически обновляется информацией о способности структуры выполнять намеченную функцию в свете неизбежного старения и деградации в результате эксплуатации. После экстремальных явлений, таких как землетрясения или взрывная нагрузка, SHM используется для быстрого скрининга условий и направлена ​​на предоставление в почти реальном времени достоверной информации о целостности структуры. Инспекция инфраструктуры играет ключевую роль в общественной безопасности в отношении как долгосрочного накопления ущерба, так и сценариев посткризисного события. В рамках быстрого развития технологий, основанных на данных, которые трансформируют многие области техники и науки, машинное обучение и методы компьютерного зрения все в большей степени способны надежно диагностировать и классифицировать шаблоны в данных изображения, которые имеют ясные приложения в контексте проверки.

Введение
Качественные и неконкурентные методы уже давно используются для оценки структур, чтобы они могли выполнять свое предназначение. С начала 19-го века железнодорожные колесики использовали звук молота, поражающего колесо поезда, для оценки наличия повреждений. Во вращающихся машинах вибрационный мониторинг использовался десятилетиями в качестве метода оценки эффективности. Два метода в области SHM – методы, основанные на распространении волн Рагхавана и Цесника, и методы, основанные на вибрации. В широком смысле литература для SHM на основе вибрации может быть разделена на два аспекта: первое, в котором предлагаются модели для повреждения для определения динамических характеристик, также известных как прямая проблема, например, ссылка, унифицированная структура и вторая, где динамические характеристики используются для определения характеристик повреждений, также известных как обратная проблема, например, обратитесь. В последние десять-пятнадцать лет появились технологии SHM, создающие захватывающее новое поле в различных отраслях техники. За это время были созданы научные конференции и научные журналы, в которых особое внимание уделяется ШМ. Эти технологии в настоящее время становятся все более распространенными.

Статистическое распознавание шаблонов
Проблема SHM может быть решена в контексте парадигмы распознавания статистических паттернов. Эта парадигма может быть разбита на четыре части: (1) Оперативная оценка, (2) Сбор и очистка данных, (3) Извлечение функций и сжатие данных и (4) Разработка статистической модели для выявления признаков. Когда кто-то пытается применить эту парадигму к данным из реальных структур, быстро становится очевидным, что способность очищать, сжимать, нормализовать и плавлять данные для учета эксплуатационной и экологической изменчивости является ключевой проблемой реализации при обращении к частям 2-4 этого парадигма. Эти процессы могут быть реализованы с помощью аппаратного или программного обеспечения и, в общем, будет использоваться некоторая комбинация этих двух подходов.

Оценка здоровья инженерных сооружений мостов, зданий и других связанных с ними инфраструктур
Обычно эта концепция широко известна как оценка структурной оценки здоровья (SHA) или SHM. Эта концепция широко применяется к различным формам инфраструктуры, особенно, поскольку страны во всем мире вступают в еще больший период строительства различных инфраструктур, от мостов до небоскребов. Тем более, что при возникновении ущерба структурам важно отметить, что существуют стадии все более трудных задач, требующих знания предыдущих этапов, а именно:

Обнаружение существования повреждения структуры
Поиск повреждений
Определение типов повреждений
Количественная оценка степени повреждения

Необходимо использовать обработку сигналов и статистическую классификацию для преобразования данных датчиков о состоянии инфраструктуры в информацию об ущербе для оценки.

Оперативная оценка
Оперативная оценка пытается ответить на четыре вопроса относительно реализации возможности идентификации ущерба:

i) Какова безопасность жизни и / или экономическое обоснование для выполнения ШМ?
ii) Как определяется ущерб для исследуемой системы и, что касается множественных возможностей ущерба, то какие случаи вызывают наибольшую озабоченность?
iii) Каковы условия, как оперативные, так и экологические, в рамках которых функционирует система, подлежащая мониторингу?
iv) Каковы ограничения на получение данных в операционной среде?

Оперативная оценка начинает устанавливать ограничения на то, что будет контролироваться и как будет осуществляться мониторинг. Эта оценка начинает адаптировать процесс идентификации повреждений к функциям, которые уникальны для контролируемой системы, и пытается использовать уникальные возможности обнаруженного ущерба.

Сбор, нормализация и очистка данных
Часть сбора данных процесса SHM включает в себя выбор методов возбуждения, типов датчиков, количества и местоположений и оборудования для сбора / хранения / передачи данных. Опять же, этот процесс будет специфичным для приложения. Экономические соображения будут играть важную роль в принятии этих решений. Интервалы, по которым должны собираться данные, являются еще одним соображением, которое необходимо решить.

Поскольку данные могут быть измерены в различных условиях, способность к нормализации данных становится очень важной для процесса идентификации повреждений. Поскольку это относится к SHM, нормализация данных – это процесс отделения изменений в показаниях датчиков, вызванных повреждением, вызванным изменением условий эксплуатации и окружающей среды. Одной из наиболее распространенных процедур является нормализация измеренных ответов измеренными входами. Когда экологическая или эксплуатационная изменчивость является проблемой, может возникнуть необходимость нормализовать данные некоторым временным образом, чтобы облегчить сравнение данных, измеренных в аналогичные периоды экологического или рабочего цикла. Источники изменчивости процесса сбора данных и контролируемой системы должны быть определены и, насколько это возможно, сведены к минимуму. В общем, не все источники изменчивости могут быть устранены. Поэтому необходимо провести соответствующие измерения, чтобы эти источники могли быть статистически количественно определены. Изменчивость может возникнуть в результате изменения условий окружающей среды и испытаний, изменений в процессе сокращения данных и несоответствий между единицами.

Очистка данных – это процесс выборочного выбора данных для передачи или отклонения от процесса выбора признаков. Процесс очистки данных обычно основывается на знаниях, полученных людьми, непосредственно участвующими в сборе данных. Например, проверка тестовой установки может выявить, что датчик был слабо установлен и, следовательно, на основании суждений лиц, выполняющих измерение, этот набор данных или данных от этого конкретного датчика может быть выборочно удален из процесс выбора функции. Методы обработки сигналов, такие как фильтрация и повторная выборка, также могут рассматриваться как процедуры очистки данных.

Наконец, процесс сбора, нормализации и очистки данных процесса SHM не должен быть статическим. Проницаемость процесса отбора функций и процесса разработки статистических моделей предоставит информацию об изменениях, которые могут улучшить процесс сбора данных.

Извлечение функций и сжатие данных
Область процесса СВМ, которая получает наибольшее внимание в технической литературе, – это идентификация характеристик данных, которая позволяет различать неповрежденную и поврежденную структуру. В этом процессе выбора компонентов происходит уплотнение данных. Лучшие функции идентификации повреждений, опять же, специфичны для приложения.

Один из наиболее распространенных методов извлечения признаков основан на корреляции измеренных величин реакции системы, таких как амплитуда или частота вибрации, с непосредственными наблюдениями разрушающей системы. Другим методом разработки признаков идентификации повреждений является использование инженерных изъянов, аналогичных ожидаемым в реальных условиях эксплуатации, системам и разработка первоначального понимания параметров, чувствительных к ожидаемому ущербу. Недостающая система также может использоваться для проверки того, что диагностические измерения достаточно чувствительны, чтобы различать функции, идентифицированные из неповрежденной и поврежденной системы. Использование аналитических инструментов, таких как экспериментально подтвержденные модели конечных элементов, может быть большим преимуществом в этом процессе. Во многих случаях аналитические инструменты используются для выполнения численных экспериментов, когда недостатки вводятся посредством компьютерного моделирования. Тестирование накопления повреждений, во время которого существенные структурные компоненты исследуемой системы ухудшаются, подвергая их реалистичным условиям нагрузки, также может быть использовано для определения соответствующих характеристик. Этот процесс может включать в себя тестирование на вызванное повреждение, испытание на усталость, рост коррозии или циклирование температуры, чтобы ускорить накопление определенных типов повреждений. Понимание соответствующих особенностей можно получить из нескольких типов аналитических и экспериментальных исследований, как описано выше, и обычно является результатом информации, полученной из некоторой комбинации этих исследований.

Технологии оперативного внедрения и диагностики, необходимые для выполнения SHM, дают больше данных, чем традиционное использование информации о структурной динамике. Конденсация данных является выгодной и необходимой, когда предполагается сравнение многих наборов признаков, полученных за время жизни структуры. Кроме того, поскольку данные будут получены из структуры в течение длительного периода времени и в рабочей среде, необходимо разработать надежные методы сокращения данных, чтобы сохранить чувствительность объекта к структурным изменениям, представляющим интерес, в условиях экологической и эксплуатационной изменчивости. Для дальнейшей помощи в извлечении и регистрации качественных данных, необходимых для выполнения ШМ, статистическая значимость признаков должна быть охарактеризована и использована в процессе конденсации.

Разработка статистической модели
Часть процесса СВМ, которая получила наименьшее внимание в технической литературе, – это разработка статистических моделей для выявления различий между элементами неповрежденной и поврежденной структур. Разработка статистической модели связана с реализацией алгоритмов, которые работают с извлеченными функциями для количественного определения состояния повреждения структуры. Алгоритмы, используемые при разработке статистической модели, обычно делятся на три категории. Когда данные доступны как из неповрежденной, так и поврежденной структуры, алгоритмы распознавания статистических характеристик относятся к общей классификации, называемой контролируемым обучением. Групповая классификация и регрессионный анализ – это категории контролируемых алгоритмов обучения. Неконтролируемое обучение относится к алгоритмам, которые применяются к данным, не содержащим примеров из поврежденной структуры. Обнаружение outlier или новизны является основным классом алгоритмов, применяемых в неконтролируемых обучающих приложениях. Все алгоритмы анализируют статистические распределения измеренных или полученных признаков для улучшения процесса идентификации повреждений.

Основные аксиомы
Основываясь на обширной литературе, разработанной на ШМ в течение последних 20 лет, можно утверждать, что эта область созрела до такой степени, что появились несколько фундаментальных аксиом или общих принципов. Аксиомы перечислены следующим образом:

Аксиома I: все материалы имеют присущие дефекты или дефекты;
Аксиома II: оценка ущерба требует сравнения между двумя состояниями системы;
Аксиома III: Определение существования и места повреждения может быть сделано в режиме без надзора, но определение типа имеющегося урона и серьезности ущерба обычно можно выполнять только в режиме контролируемого обучения;
Axiom IVa: Датчики не могут измерить повреждение. Для извлечения данных датчиков в информацию о повреждениях требуется извлечение функции посредством обработки сигналов и статистической классификации;
Axiom IVb: без интеллектуального извлечения признаков более чувствительное измерение должно нанести ущерб, тем более чувствительным является изменение условий эксплуатации и окружающей среды;
Аксиома V: длины и временные масштабы, связанные с инициированием и эволюцией повреждений, определяют необходимые свойства чувствительной системы SHM;
Аксиома VI: существует компромисс между чувствительностью к повреждению алгоритма и его способностью подавления шума;
Аксиома VII: размер повреждения, который может быть обнаружен при изменении динамики системы, обратно пропорционален частотной области возбуждения.