[論文レビュー] A SHM method for detecting damage with incomplete observations based on VARX modelling and Granger causality

Unai Ugalde, Javier Anduaga+2 more|arXiv (Cornell University)|Feb 1, 2016

Structural Health Monitoring Techniques参考文献 20被引用数 3

ひとこと要約

本論文は、構造健全性モニタリング（SHM）手法を提案し、ベクトル自己回帰モデルに外部入力を含む（VARX）モデルとグレインジャーカウザルティを用いて、最小限で情報保持されたセンサ集合を特定することで、センサ数を削減する。部分構造の自由度（DOF）間の条件付きグレインジャーカウザルティを分析することにより、測定値とモデル予測応答の残差比較に基づき損傷検出に最適なセンサを選定する。この手法は、センサ数を削減しつつ高い検出精度を維持するラティス有限要素モデルで検証された。

ABSTRACT

A SHM method is proposed that minimises the required number of sensors for detecting damage. The damage detection method consists of two steps. In an initial characterization step, substructuring approach is applied to the healthy structure in order to isolate the substructures of interest and later, each substructure is identified by a Vector Auto Regressive with eXogenous inputs (VARX) model measuring all DOFs. Then, pairwise conditional Granger causality analysis is carried out with data measured from substructural DOFs to evaluate the information loss when measurements from all DOFs are not available. This analysis allows selecting those accelerometers that can be suppressed minimising the information loss. In the evaluation phase, vibration data from the reduced set of sensors is compared to the estimated data obtained from the healthy substructure's VARX model, and as a result a damage indicator is computed. The proposed detection method is validated by finite element simulations in a lattice structure model.

研究の動機と目的

• 建物や機械構造物における効果的な構造健全性モニタリング（SHM）に必要なセンサ数を最小限に抑えること。
• SHMにおける不完全なセンサ観測の課題に対処し、重要な動的情報を保持するための重要な測定点を同定すること。
• 構造的サブコンポonent間の情報フロー分析に基づき、最適なセンサ配置を体系的に特定する手法を開発すること。
• 健全なサブ構造モデルからの予測と実時間の振動データを比較することで、削減されたセンサセットを用いた信頼性の高い損傷検出を可能にすること。
• 異なる損傷シナリオ下でのラティス構造に対する有限要素シミュレーションを通じて、本手法の有効性を検証すること。

提案手法

• 手法は、健全な構造を関心のあるサブ構造に分割することで、動的挙動を分離することから始める。
• 各サブ構造は、すべての自由度（DOF）におけるダイナミクスを捉える、ベクトル自己回帰モデルに外部入力を含む（VARX）モデルでモデル化される。
• DOF間のペアワイズ条件付きグレインジャーカウザルティを計算し、情報フローの定量的評価と特定センサの省略が与える影響を評価する。
• 情報フローへの寄与度に基づきセンサをランク付けし、情報損失を最小限に抑えつつセンサ数を削減する。
• 評価フェーズでは、削減されたセンサセットからの振動データを健全なVARXモデルからの予測と比較し、損傷指標を算出する。
• 損傷指標は、測定応答と推定応答の残差として算出され、顕著な乖離が生じた場合に損傷の兆候と判断される。

実験結果

リサーチクエスチョン

• RQ1 不完全な観測下における構造物の効果的損傷検出を維持するために必要な最小センサセットは何か？
• RQ2 構造的サブコンポーネント間の情報フローは、どのように定量的に評価し、最適なセンサ配置を支援できるか？
• RQ3 グレインジャーカウザルティ解析が、損傷検出性能に影響を与えることなく、冗長なセンサをどの程度特定できるか？
• RQ4 情報理論的選択によるセンサ数削減において、本手法は検出正確性をどの程度維持できるか？
• RQ5 VARX-グレインジャーカウザルティフレームワークは、限られたセンサデータを有する有限要素モデルにおいて、信頼性高く損傷を検出できるか？

主な発見

• 提案手法は、重要な動的情報を保持しつつ、検出能力に損なわれることなく、大幅にセンサ数を削減したセンサセットを効果的に同定した。
• 条件付きグレインジャーカウザルティ解析は、各DOFの情報寄与度を効果的に定量化し、因果的影響に基づく体系的なセンサ選定を可能にした。
• 測定応答と予測応答の残差解析から導出された損傷指標は、有限要素モデルにおける損傷検出を信頼性高く実現した。
• 不完全な観測下でも高い検出正確性を維持し、センサ数削減に対して高い耐性を示した。
• ラティス構造モデルへの検証により、選択されたセンサセットがフルセンサ監視と同等の性能を達成することが確認された。
• 本手法は、情報損失を最小限に抑えつつ測定コストを削減する、体系的かつデータ駆動型のセンサ選定を可能にした。