Мониторинг структурного здоровья: принципы и методы.

Введение

журнал
Структурный мониторинг состояния (SHM) предполагает наблюдение и анализ системы во времени с использованием периодически получаемых измерений отклика для контроля изменений в материальных и геометрических свойствах инженерных сооружений, таких как мосты и здания. В рабочих условиях конструкции деградируют с течением времени и в процессе эксплуатации. Долгосрочный SHM предоставляет периодически обновляемую информацию о способности конструкции продолжать выполнять свои заданные функции. После экстремальных событий, таких как землетрясения или взрывные воздействия, SHM используется для оперативной оценки состояния. SHM призван обеспечивать достоверную информацию о целостности конструкции в режиме, близком к реальному времени. Процесс SHM включает выбор методов возбуждения, типов датчиков, их количества и расположения, а также аппаратного обеспечения для сбора, хранения и передачи данных, обычно называемого системами мониторинга состояния и использования. Измерения могут проводиться как для непосредственного обнаружения повреждений или деградации системы, так и косвенно – путем измерения величины и частоты действующих нагрузок, чтобы можно было прогнозировать состояние системы. Для непосредственного мониторинга состояния системы необходимо выявлять в полученных данных признаки, позволяющие различать неповрежденную и поврежденную конструкцию. Один из наиболее распространенных методов извлечения признаков основан на корреляции измеренных параметров отклика системы, таких как амплитуда или частота колебаний, с наблюдениями за деградировавшей системой. Испытания накопления повреждений, в ходе которых значительные структурные элементы исследуемой системы подвергаются деградации под воздействием реалистичных нагрузок, также могут использоваться для определения подходящих признаков. Этот процесс может включать испытания на намеренное повреждение, усталостные испытания, рост коррозии или температурное циклирование для ускоренного накопления определенных видов повреждений.

Введение

Качественные и дискретные методы давно используются для оценки способности конструкций выполнять свои целевые функции. С начала XIX века обходчики железнодорожных вагонов использовали звук удара молотка по колесу для оценки наличия повреждений. В роторных машинах мониторинг вибрации на протяжении десятилетий применяется как метод оценки работоспособности, а также используются методы, основанные на вибрации. В целом, литературу по мониторингу состояния на основе вибрации (SHM) можно разделить на два аспекта: первый, в котором предлагаются модели повреждений для определения динамических характеристик, также известный как прямая задача, и второй, в котором динамические характеристики используются для определения характеристик повреждений, также известный как обратная задача. Сформировалось несколько фундаментальных аксиом, или общих принципов:

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

An example of this technology is embedding sensors in structures like bridges and aircraft. These sensors provide real time monitoring of various structural changes like stress and strain. In the case of civil engineering structures, the data provided by the sensors is usually transmitted to a remote data acquisition centres. With the aid of modern technology, real time control of structures (Active Structural Control) based on the information of sensors is possible

Аксиома I: Все материалы имеют внутренние дефекты или недостатки;
Аксиома II: Оценка повреждений требует сравнения двух состояний системы;
Аксиома III: Выявление наличия и местоположения повреждений может быть выполнено в режиме обучения без учителя, но определение типа повреждения и степени его тяжести, как правило, возможно только в режиме обучения с учителем;
Аксиома IVa: Датчики не могут измерять повреждения. Для преобразования данных датчиков в информацию о повреждениях необходимо извлечение признаков посредством обработки сигналов и статистической классификации;
Аксиома IVb: Без интеллектуального извлечения признаков, чем выше чувствительность измерения к повреждениям, тем выше его чувствительность к изменяющимся эксплуатационным и внешним условиям;
Аксиома V: Длительность и временные масштабы, связанные с возникновением и развитием повреждений, определяют требуемые характеристики сенсорной системы SHM;
Аксиома VI: Существует компромисс между чувствительностью алгоритма к повреждениям и его способностью подавлять шум;
Аксиома VII: Размер повреждения, который можно обнаружить по изменениям в динамике системы, обратно пропорционален диапазону частот возбуждения. Типичные элементы системы SHM включают в себя:

Конструкцию
Датчики
Системы сбора данных
Механизм передачи и хранения данных
Управление данными
Интерпретацию и диагностику данных:
Идентификацию системы
Обновление структурной модели
Оценку структурного состояния
Прогнозирование остаточного ресурса

Примером этой технологии является встраивание датчиков в конструкции, такие как мосты и самолеты. Эти датчики обеспечивают мониторинг в реальном времени различных структурных изменений, таких как напряжения и деформации. В случае гражданских сооружений данные, предоставляемые датчиками, обычно передаются в удаленные центры сбора данных. С помощью современных технологий возможен контроль конструкций в реальном времени (активный структурный контроль) на основе информации от датчиков.

Получение данных, нормализация и очистка

Часть процесса СММ, связанная со сбором данных, включает выбор методов возбуждения, типов датчиков, их количества и расположения, а также аппаратного обеспечения для сбора/хранения/передачи данных. Этот процесс, как и прежде, будет зависеть от конкретной задачи. Экономические факторы будут играть ключевую роль при принятии этих решений. Важным аспектом является также определение интервалов сбора данных. Поскольку данные могут измеряться в различных условиях, способность к нормализации данных становится критически важной для процесса идентификации повреждений. В контексте СММ, нормализация данных – это процесс отделения изменений в показаниях датчиков, вызванных повреждением, от изменений, обусловленных переменными эксплуатационными и внешними условиями. Распространенной процедурой является нормализация измеренных откликов по измеренным воздействиям. Если наблюдается значительная изменчивость внешних или эксплуатационных условий, может возникнуть необходимость во временной нормализации данных для облегчения сравнения данных, полученных в сопоставимые моменты времени в рамках экологического или операционного цикла. Необходимо выявлять и минимизировать источники изменчивости как в процессе сбора данных, так и в контролируемой системе, насколько это возможно. Как правило, полностью устранить все источники изменчивости не удается. Поэтому необходимо проводить соответствующие измерения, позволяющие статистически оценить эти источники. Изменчивость может быть вызвана изменением условий окружающей среды и испытаний, изменениями в процессе обработки данных, а также различиями между отдельными экземплярами. Очистка данных – это процесс выборочного отбора данных для передачи или исключения из процесса выбора признаков. Обычно процесс очистки данных основан на знаниях, полученных специалистами, непосредственно участвующими в сборе данных. Например, проверка испытательной установки может показать, что датчик был установлен неплотно, и, исходя из суждения специалистов, выполняющих измерения, этот набор данных или данные с конкретного датчика могут быть выборочно удалены из процесса выбора признаков. Методы обработки сигналов, такие как фильтрация и передискретизация, также можно рассматривать как процедуры очистки данных. Наконец, этап сбора, нормализации и очистки данных в процессе СММ не должен быть статичным. Знания, полученные в процессе выбора признаков и разработки статистической модели, предоставят информацию об изменениях, которые могут улучшить процесс сбора данных.

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.

Экстракция функций и сжатие данных

Область процесса СМК, которой уделяется наибольшее внимание в технической литературе, – это идентификация признаков данных, позволяющих различать неповрежденную и поврежденную конструкцию. Неотъемлемой частью этого процесса выбора признаков является сжатие данных. Наилучшие признаки для идентификации повреждений, опять же, зависят от конкретного применения. Один из наиболее распространенных методов извлечения признаков основан на корреляции измеренных величин, характеризующих реакцию системы, таких как амплитуда или частота вибрации, с непосредственными наблюдениями за деградацией системы. Другой метод разработки признаков для идентификации повреждений заключается в намеренном внесении дефектов в системы, аналогичных ожидаемым в реальных условиях эксплуатации, и в получении первоначального понимания параметров, чувствительных к ожидаемым повреждениям. Система с внесенными дефектами также может быть использована для проверки того, что диагностические измерения достаточно чувствительны для различения признаков, идентифицированных в неповрежденной и поврежденной системах. Использование аналитических инструментов, таких как экспериментально подтвержденные конечно-элементные модели, может быть большим преимуществом в этом процессе. Во многих случаях аналитические инструменты используются для проведения численных экспериментов, в ходе которых дефекты вводятся посредством компьютерного моделирования. Испытания накопления повреждений, в ходе которых значительные структурные компоненты исследуемой системы подвергаются деградации под воздействием реалистичных нагрузок, также могут использоваться для определения подходящих признаков. Этот процесс может включать в себя испытания на искусственно вызванные повреждения, усталостные испытания, рост коррозии или температурное циклирование для ускоренного накопления определенных типов повреждений. Понимание подходящих признаков можно получить из различных типов аналитических и экспериментальных исследований, описанных выше, и обычно является результатом информации, полученной из некоторой комбинации этих исследований. Операционная реализация и диагностические технологии измерений, необходимые для выполнения СМК, генерируют больше данных, чем традиционное использование информации о структурной динамике. Сжатие данных является выгодным и необходимым, когда предполагается сравнение множества наборов признаков, полученных в течение всего срока службы конструкции. Кроме того, поскольку данные будут собираться с конструкции в течение длительного периода времени и в рабочих условиях, необходимо разработать надежные методы снижения объема данных, чтобы сохранить чувствительность к интересующим структурным изменениям в условиях изменчивости окружающей среды и рабочих условий. Для дальнейшего содействия извлечению и записи качественных данных, необходимых для выполнения СМК, статистическая значимость признаков должна быть оценена и использована в процессе сжатия.

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.

Разработка статистической модели

Часть процесса СММ, получившая наименьшее внимание в технической литературе, – это разработка статистических моделей для разграничения признаков неповрежденных и поврежденных конструкций. Разработка статистических моделей связана с реализацией алгоритмов, которые обрабатывают извлеченные признаки для количественной оценки степени повреждения конструкции. Алгоритмы, используемые при разработке статистических моделей, обычно относятся к одной из трех категорий. Если имеются данные как по неповрежденной, так и по поврежденной конструкции, алгоритмы статистического распознавания образов относятся к категории общей классификации, обычно называемой обучением с учителем. Классификация по группам и регрессионный анализ – это категории алгоритмов обучения с учителем. Обучение без учителя относится к алгоритмам, применяемым к данным, не содержащим примеров поврежденной конструкции. Обнаружение выбросов или новизны – основной класс алгоритмов, используемых в приложениях обучения без учителя. Все алгоритмы анализируют статистические распределения измеренных или производных признаков для повышения эффективности процесса идентификации повреждений.