[논문 리뷰] A SHM method for detecting damage with incomplete observations based on VARX modelling and Granger causality

Unai Ugalde, Javier Anduaga외 2명|arXiv (Cornell University)|2016. 02. 01.

Structural Health Monitoring Techniques참고 문헌 20인용 수 3

한 줄 요약

이 논문은 구조적 건강 모니터링(SHM) 방법을 제안하며, 외부 입력이 있는 벡터 자기회귀(VARX) 모델링과 그랑저 인과관계를 사용하여 센서 수를 줄이고 정보를 유지하는 최소한의 센서 집합을 식별한다. 하위구조의 자유도(DOF) 간 조건부 그랑저 인과관계를 분석함으로써, 측정된 응답과 모델 예측 응답 간 잔차 비교를 통한 손상 탐지에 최적의 센서를 선택한다. 이는 감소된 센서 요구 조건과 높은 탐지 정확도를 갖는 격자 유한요소 모델에서 검증되었다.

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.

연구 동기 및 목표

• 민간 및 기계적 구조물에서 효과적인 구조적 건강 모니터링(SHM)을 위해 필요한 센서 수를 최소화하는 것.
• 부분적인 센서 관측 문제를 해결하기 위해 필수적인 동적 정보를 유지하는 핵심 측정 지점을 식별하는 것.
• 구조 하위요소 간의 정보 흐름 분석에 기반하여 최적의 센서 위치를 체계적으로 선정하는 방법을 개발하는 것.
• 건재한 하위구조 모델에서 예측한 데이터와 실시간 진동 데이터를 비교함으로써 감소된 센서 집합을 사용하여 신뢰할 수 있는 손상 탐지를 가능하게 하는 것.
• 다양한 손상 시나리오 하에서 격자 구조에 대한 유한요소 시뮬레이션을 통해 방법의 효과성을 검증하는 것.

제안 방법

• 메서드는 건재한 구조물을 관심 있는 하위구조로 분할하여 동적 거동을 고립시키는 것으로 시작된다.
• 각 하위구조는 모든 자유도(DOF)를 통해 동적 거동을 캡처하는 외부 입력이 있는 다변량 자기회귀(VARX) 모델로 모델링된다.
• 자유도 간 쌍별 조건부 그랑저 인과관계를 계산하여 정보 흐름을 정량화하고 특정 센서를 생략했을 경우의 영향을 평가한다.
• 정보 흐름 기여도에 따라 센서를 순위 매기고, 정보 손실를 최소화하면서 센서 수를 줄이기 위해 선택적으로 제거한다.
• 평가 단계에서는 감소된 센서 집합에서의 진동 데이터를 건재한 VARX 모델의 예측값과 비교하여 손상 지표를 계산한다.
• 손상 지표는 측정된 응답과 추정된 응답 간 잔차로 계산되며, 상당한 편차는 잠재적 손상을 나타낸다.

실험 결과

연구 질문

• RQ1 부분적인 관측이 있는 구조물에서 효과적인 손상 탐지를 유지하기 위해 필요한 최소 센서 집합은 무엇인가?
• RQ2 구조 하위요소 간의 정보 흐름을 어떻게 정량화하여 최적의 센서 배치를 안내할 수 있는가?
• RQ3 그랑저 인과관계 분석을 통해 손상 탐지 성능을 저하시키지 않고도 어느 정도의 중복 센서를 식별할 수 있는가?
• RQ4 정보 이론적 선택을 통해 센서 수를 감소시켰을 때, 제안된 방법이 탐지 정확도를 어떻게 유지하는가?
• RQ5 VARX-그랑저 인과관계 프레임워크는 제한된 센서 데이터를 가진 유한요소 모델에서 손상을 신뢰성 있게 탐지할 수 있는가?

주요 결과

• 제안된 방법은 비용을 줄이고 정보 손실를 최소화하면서도 핵심 동적 정보를 유지하는 감소된 센서 집합을 성공적으로 식별하여, 탐지 능력에 손상 없이 센서 수를 크게 감소시켰다.
• 조건부 그랑저 인과관계 분석은 각 자유도의 정보 기여도를 효과적으로 정량화하여 인과적 영향에 기반한 시스템적인 센서 선택을 가능하게 했다.
• 측정된 응답과 예측된 응답 간 잔차 분석에서 유도된 손상 지표는 유한요소 모델에서 손상을 신뢰성 있게 탐지했다.
• 부분적인 관측 조건에서도 높은 탐지 정확도를 유지하여 센서 감소에 대한 강건성을 입증했다.
• 격자 구조 모델에서의 검증을 통해 선택된 센서 집합이 전체 센서 모니터링 성능과 비교해 유사한 성능을 달성함을 확인했다.
• 이 방법은 정보 손실를 최소화하면서 측정 비용을 줄이는 체계적이고 데이터 기반의 센서 선택을 가능하게 한다.