Құрылыс нысандарының қалыпты күйін бақылау және талдау жүйесі

Кіріспе

журналы Құрылымдық денсаулықты бақылау (SHM) – көпірлер және ғимараттар сияқты инженерлік құрылымдардың материалдық және геометриялық қасиеттеріндегі өзгерістерді бақылау үшін жүйелерді белгілі бір уақыт интервалымен алынған жауап өлшемдерін пайдаланып бақылау және талдау процесі. Құрылымдар пайдалану кезінде және уақыт өте келе тозуға ұшырайды. Ұзақ мерзімді SHM құрылымның жоспарланған функциясын орындау қабілеті туралы ақпаратты үнемі жаңартып отырады. Зілзала немесе жарылыс сияқты төтенше жағдайлар болғаннан кейін SHM құрылымның жағдайын жылдам тексеру үшін қолданылады. SHM құрылымның қауіпсіздігі туралы сенімді ақпаратты дерлік нақты уақыт режимінде ұсынуға бағытталған. SHM процесіне қоздыру әдістерін, сенсор түрлерін, олардың санын және орналасқан жерін, сондай-ақ деректерді жинау, сақтау және жіберуге арналған аппараттық құралдарды (көбінесе денсаулықты және пайдалануды бақылау жүйелері деп аталады) таңдау кіреді. Өлшемдер жүйеде кез келген тозу немесе зақымдануды тікелей анықтау үшін немесе жүйе жағдайын болжауға мүмкіндік беретін жүктемелердің мөлшері мен жиілігін өлшеу арқылы жанама түрде жүргізілуі мүмкін. Жүйенің жай-күйін тікелей бақылау үшін алынған деректерде зақымдалмаған және зақымдалған құрылымды ажыратуға мүмкіндік беретін ерекшеліктерді анықтау қажет. Ең көп қолданылатын ерекшеліктерді анықтау әдістерінің бірі жүйелік жауап шамаларын, мысалы, дірілдің амплитудасын немесе жиілігін, тозуға ұшыраған жүйенің байқауларымен салыстыруға негізделген. Зыянды жинақтау сынақтарында зерттелетін жүйенің маңызды құрылымдық элементтері нақты жүктеме жағдайларына ұшыратылып, олардың тозуына мүмкіндік беріледі, бұл тиісті ерекшеліктерді анықтауға көмектеседі. Бұл процесте зақымдануды күштеп тудыру, шаршау сынақтары, коррозияның дамуы немесе температураны өзгерту арқылы зақымның белгілі бір түрлерін үдетілген режимде жинақтау қажет болуы мүмкін.

Кіріспе

Сапалық және үздіріссіз емес әдістер құрылыстардың жойылған мақсатына жету қабілетін бағалау үшін ұзақ жылдар бойы қолданылып келеді. 19 ғасырдың басынан бері теміржол доңғалағын тебушілер доңғалақтың зақымдалғанын анықтау үшін соққының дыбысын пайдаланады. Айналмалы машиналарда дірілді бақылау ондаған жылдар бойы өнімділікті бағалау әдісі ретінде және дірілге негізделген техникалар ретінде қолданылып келеді. Жалпы алғанда, дірілге негізделген SHM әдебиетін екі аспектіге бөлуге болады: біріншісі, зақымданудың динамикалық сипаттамаларын анықтау үшін модельдер ұсынылатын тікелей проблема, екіншісі, зақымдану сипаттамаларын анықтау үшін динамикалық сипаттамалар қолданылатын кері проблема. Бірнеше негізгі аксиомалар немесе жалпы қағидалар пайда болды:
I аксиома: Барлық материалдарда туа пайда болған кемшіліктер немесе ақаулар болады;
II аксиома: Зақымдануды бағалау үшін екі жүйе күйін салыстыру қажет;
III аксиома: Зақымданудың болуын және орналасқан жерін бақылаусыз оқыту режимінде анықтауға болады, бірақ зақымдану түрін және зақымданудың ауырлығын анықтау, әдетте, бақыланатын оқыту режимінде ғана мүмкін;
IVa аксиома: Сенсорлар зақымдануды өлшемейді. Сенсорлық деректерді зақымдану туралы ақпаратқа айналдыру үшін сигналды өңдеу және статистикалық жіктеу арқылы ерекшеліктерді алу қажет;
IVb аксиома: Ақылды ерекшеліктерді алу болмаса, өлшем зақымдануға неғұрлым сезімтал болса, ол операциялық және қоршаған орта жағдайларының өзгеруіне де соғұрлым сезімтал болады;
V аксиома: Зақымданудың басталуымен және дамуымен байланысты ұзындық және уақыт өлшемдері SHM сенсорлық жүйесінің қажетті қасиеттерін анықтайды;
VI аксиома: Алгоритмнің зақымдануға сезімталдығы мен оның шуды жобау қабілеті арасындағы айырбас бар;
VII аксиома: Жүйе динамикасындағы өзгерістерден анықталатын зақымданудың мөлшері қоздыру жиіліктерінің диапазонына кері пропорционалды. SHM жүйесінің элементтері әдетте мыналарды қамтиды:
Құрылым
Сенсорлар
Деректерді жинау жүйелері
Деректерді беру және сақтау механизмі
Деректерді басқару
Деректерді түсіндіру және диагностикалау:
Жүйелік идентификация
Құрылымдық модельді жаңарту
Құрылымдық жағдайды бағалау
Қалған қызмет мерзімін болжау

Qualitative and non continuous methods have long been used to evaluate structures for their capacity to serve their intended purpose. Since the beginning of the 19th century, railroad wheel tappers have used the sound of a hammer striking the train wheel to evaluate if damage was present. In rotating machinery, vibration monitoring has been used for decades as a performance evaluation technique. and vibration based techniques. Broadly the literature for vibration based SHM can be divided into two aspects, the first wherein models are proposed for the damage to determine the dynamic characteristics, also known as the direct problem, and the second, wherein the dynamic characteristics are used to determine damage characteristics, also known as the inverse problem. Several fundamental axioms, or general principles, have emerged:
Axiom I: All materials have inherent flaws or defects;
Axiom II: The assessment of damage requires a comparison between two system states;
Axiom III: Identifying the existence and location of damage can be done in an unsupervised learning mode, but identifying the type of damage present and the damage severity can generally only be done in a supervised learning mode;
Axiom IVa: Sensors cannot measure damage. Feature extraction through signal processing and statistical classification is necessary to convert sensor data into damage information;
Axiom IVb: Without intelligent feature extraction, the more sensitive a measurement is to damage, the more sensitive it is to changing operational and environmental conditions;
Axiom V: The length and time scales associated with damage initiation and evolution dictate the required properties of the SHM sensing system;
Axiom VI: There is a trade off between the sensitivity to damage of an algorithm and its noise rejection capability;
Axiom VII: The size of damage that can be detected from changes in system dynamics is inversely proportional to the frequency range of excitation. SHM System's elements typically include:
Structure
Sensors
Data acquisition systems
Data transfer and storage mechanism
Data management
Data interpretation and diagnosis:
System Identification
Structural model update
Structural condition assessment
Prediction of remaining service life

Бұл технологияның мысалы – сенсорларды көпірлер және ұшақтар сияқты құрылымдарға ендіру. Бұл сенсорлар кернеу және деформация сияқты әртүрлі құрылымдық өзгерістерді нақты уақытта бақылайды. Азаматтық құрылыстар үшін сенсорлар ұсынған деректер әдетте қашықтан деректерді жинау орталықтарына жіберіледі. Заманауи технологиялардың көмегімен сенсорлық ақпарат негізінде құрылымдарды нақты уақытта басқаруға болады (белсенді құрылымдық басқару).

Деректерді жинау, қалыпқа келтіру және тазалау

SHM процесінің деректерді алу бөлігі қоздыру әдістерін, сенсор түрлерін, санын және орналасуын, сондай-ақ деректерді алу/сақтау/тарату аппараттарын таңдауды қамтиды. Бұл процесс қолданысқа қарай өзгереді. Осы шешімдерді қабылдауда экономикалық факторлар маңызды рөл атқарады. Деректерді қаншалықты интервалмен жинау керек деген мәселе де қарастырылуы тиіс. Деректер әртүрлі жағдайларда өлшенгендіктен, деректерді нормализациялау қабілеті зақымды анықтау процесінде өте маңызды. SHM саласында деректерді нормализациялау – сенсор көрсеткіштеріндегі өзгерістерді зақымданудан туындаған өзгерістерден және түрлі пайдалану және қоршаған орта жағдайларынан туындаған өзгерістерден ажырату процесі болып табылады. Ең көп қолданылатын процедуралардың бірі – өлшенген жауаптарды өлшенген енгізулермен нормализациялау. Егер қоршаған ортаның немесе пайдаланудың өзгеруі проблема тудырса, деректерді уақыт бойынша нормализациялау қажеттігі туындауы мүмкін, бұл қоршаған ортаның немесе пайдалану циклінің ұқсас уақыттарында өлшенген деректерді салыстыруды жеңілдетуге көмектеседі. Деректерді алу процесінде және бақыланатын жүйедегі өзгергіштік көздерін анықтау және мүмкіндігінше азайту қажет. Жалпы алғанда, барлық өзгергіштік көздерін жою мүмкін емес. Сондықтан, осы көздерді статистикалық тұрғыдан бағалау үшін тиісті өлшемдер жасау қажет. Өзгергіштік қоршаған ортаның және сынақ жағдайларының өзгеруінен, деректерді азайту процесінің өзгеруінен және бірліктер арасындағы үйлесімсіздіктерден туындауы мүмкін. Деректерді тазалау – функцияларды таңдау процесіне жіберуге немесе қабылдамауға арналған деректерді таңдау процесі. Деректерді тазалау процесі әдетте деректерді алуға тікелей қатысқан адамдардың біліміне негізделеді. Мысалы, сынақ орнатуын тексеру кезінде сенсордың бекем орнатылмағаны анықталуы мүмкін, сондықтан өлшеуді жүргізген адамдардың пікіріне сүйене отырып, осы деректер жиынтығы немесе осы сенсордан алынған деректер ерекшеліктерді таңдау процесінен таңдамалы түрде жойылуы мүмкін. Сүзгілеу және қайта іріктеу сияқты сигналды өңдеу әдістерін де деректерді тазалау процедуралары ретінде қарастыруға болады. Соңында, SHM процесінің деректерді алу, нормализациялау және тазалау бөлігі статикалық болмауы керек. Ерекшеліктерді таңдау процесінен және статистикалық модельді әзірлеу процесінен алынған түсініктер деректерді алу процесін жақсартуға болатын өзгерістер туралы ақпарат береді.

The data acquisition portion of the SHM process involves selecting the excitation methods, the sensor types, number and locations, and the data acquisition/storage/transmittal hardware. Again, this process will be application specific. Economic considerations will play a major role in making these decisions. The intervals at which data should be collected is another consideration that must be addressed. Because data can be measured under varying conditions, the ability to normalize the data becomes very important to the damage identification process. As it applies to SHM, data normalization is the process of separating changes in sensor reading caused by damage from those caused by varying operational and environmental conditions. One of the most common procedures is to normalize the measured responses by the measured inputs. When environmental or operational variability is an issue, the need can arise to normalize the data in some temporal fashion to facilitate the comparison of data measured at similar times of an environmental or operational cycle. Sources of variability in the data acquisition process and with the system being monitored need to be identified and minimized to the extent possible. In general, not all sources of variability can be eliminated. Therefore, it is necessary to make the appropriate measurements such that these sources can be statistically quantified. Variability can arise from changing environmental and test conditions, changes in the data reduction process, and unit to unit inconsistencies. Data cleansing is the process of selectively choosing data to pass on to or reject from the feature selection process. The data cleansing process is usually based on knowledge gained by individuals directly involved with the data acquisition. As an example, an inspection of the test setup may reveal that a sensor was loosely mounted and, hence, based on the judgment of the individuals performing the measurement, this set of data or the data from that particular sensor may be selectively deleted from the feature selection process. Signal processing techniques such as filtering and re sampling can also be thought of as data cleansing procedures. Finally, the data acquisition, normalization, and cleansing portion of SHM process should not be static. Insight gained from the feature selection process and the statistical model development process will provide information regarding changes that can improve the data acquisition process.

Қасиеттерді алу және деректерді сығыстыру

Техникалық әдебиетте SHM процесінің ең көп назар аударатын саласы – зақымдалмаған және зақымдалған құрылымды ажырататын дерек белгілерін анықтау. Бұл белгілерді таңдау процесі деректерді жинақтаумен байланысты. Зақымды анықтау үшін ең жақсы белгілер қайтадан қолданысқа қатысты. Ең көп қолданылатын белгілерді алу әдістерінің бірі – жүйелік жауап шамаларын, мысалы, діріл амплитудасын немесе жиілігін, құрылымның нашарлауын тікелей бақылаумен байланыстыру. Зақымды анықтау үшін белгілерді әзірлеудің тағы бір жолы – нақты пайдалану жағдайларында күтілетін кемшіліктерге ұқсас, жасалған кемшіліктерді жүйелерге енгізіп, күтілетін зақымға сезімтал параметрлерді анықтау. Кемшілігі бар жүйені диагностикалық өлшемдердің зақымдалмаған және зақымдалған жүйеден анықталған белгілерді ажыратуға жеткілікті сезімтал екенін растау үшін де пайдалануға болады. Эксперименттік расталған шекті элементтер моделі сияқты талдау құралдарын пайдалану осы процесте үлкен көмек болуы мүмкін. Көп жағдайда талдау құралдары сандық эксперименттер үшін қолданылады, онда кемшіліктер компьютерлік модельдеу арқылы енгізіледі. Зақымды жинақтау сынақтары, зерттеу нысанының маңызды құрылымдық компоненттеріне нақты жүктеме жағдайларын қолдану арқылы оларды нашарлату, тиісті белгілерді анықтау үшін де қолданылуы мүмкін. Бұл процесте индукцияланған зақымды сынау, шаршау сынағы, коррозияның өсуі немесе зақымның белгілі бір түрлерін үдету үшін температураны өзгерту қажет болуы мүмкін. Тиісті белгілер туралы түсінік жоғарыда сипатталғандай, әртүрлі талдау және эксперименттік зерттеулерден алынуы мүмкін және әдетте осы зерттеулердің біріктірілген нәтижесі болып табылады. SHM жүргізуге қажетті операциялық енгізу және диагностикалық өлшеу технологиялары құрылымдық динамика туралы дәстүрлі ақпараттан гөрі көп деректерді тудырады. Деректерді жинақтау, құрылымның өмірі бойында алынған көптеген белгілер жиынтығын салыстыруды жоспарлағанда тиімді және қажет. Сонымен қатар, деректер құрылымнан ұзақ уақыт бойы және операциялық ортада алынатындықтан, қоршаған орта мен операциялық өзгергіштікті ескере отырып, құрылымдық өзгерістерге белгілердің сезімталдығын сақтау үшін сенімді деректерді азайту әдістерін әзірлеу қажет. SHM жүргізуге қажетті сапалы деректерді алу және тіркеуді жеңілдету үшін белгілердің статистикалық маңыздылығын сипаттау және оны деректерді жинақтау процесінде пайдалану керек.

The area of the SHM process that receives the most attention in the technical literature is the identification of data features that allows one to distinguish between the undamaged and damaged structure. Inherent in this feature selection process is the condensation of the data. The best features for damage identification are, again, application specific. One of the most common feature extraction methods is based on correlating measured system response quantities, such a vibration amplitude or frequency, with the first hand observations of the degrading system. Another method of developing features for damage identification is to apply engineered flaws, similar to ones expected in actual operating conditions, to systems and develop an initial understanding of the parameters that are sensitive to the expected damage. The flawed system can also be used to validate that the diagnostic measurements are sensitive enough to distinguish between features identified from the undamaged and damaged system. The use of analytical tools such as experimentally validated finite element models can be a great asset in this process. In many cases the analytical tools are used to perform numerical experiments where the flaws are introduced through computer simulation. Damage accumulation testing, during which significant structural components of the system under study are degraded by subjecting them to realistic loading conditions, can also be used to identify appropriate features. This process may involve induced damage testing, fatigue testing, corrosion growth, or temperature cycling to accumulate certain types of damage in an accelerated fashion. Insight into the appropriate features can be gained from several types of analytical and experimental studies as described above and is usually the result of information obtained from some combination of these studies. The operational implementation and diagnostic measurement technologies needed to perform SHM produce more data than traditional uses of structural dynamics information. A condensation of the data is advantageous and necessary when comparisons of many feature sets obtained over the lifetime of the structure are envisioned. Also, because data will be acquired from a structure over an extended period of time and in an operational environment, robust data reduction techniques must be developed to retain feature sensitivity to the structural changes of interest in the presence of environmental and operational variability. To further aid in the extraction and recording of quality data needed to perform SHM, the statistical significance of the features should be characterized and used in the condensation process.

Статистикалық модельдерді әзірлеу

Техникалық әдебиетте SHM процесінің ең аз зерттелген бөлігі – зақымдалмаған және зақымдалған құрылымдардың ерекшеліктерін ажыратуға арналған статистикалық модельдерді жасау. Статистикалық модельдерді жасау құрылымның зақымдану деңгейін анықтау үшін алынған ерекшеліктермен жұмыс істейтін алгоритмдерді іске асырумен байланысты. Статистикалық модельдерді жасауда қолданылатын алгоритмдер көбінесе үш санатқа бөлінеді. Егер зақымдалмаған және зақымдалған құрылымнан деректер қолжетімді болса, статистикалық үлгіні тану алгоритмдері жалпы жіктеу санатына жатады, бұл қадағаланған оқыту деп белгілі. Топтық жіктеу және регрессиялық талдау – қадағаланған оқыту алгоритмдерінің түрлері. Бақылаусыз оқыту – зақымдалған құрылымнан мысалдар жоқ деректерге қолданылатын алгоритмдерді білдіреді. Аномалияны немесе жаңалықты анықтау – бақылаусыз оқыту қолданбаларында қолданылатын алгоритмдердің басты класы. Барлық алгоритмдер өлшенген немесе туынды ерекшеліктердің статистикалық таралуын талдау арқылы зақымдануды анықтау процесін жақсартады.