[논문 리뷰] Modelling variability in vibration-based PBSHM via a generalised population form

TINA A. DARDENO, Lawrence A. Bull외 3명|arXiv (Cornell University)|2022. 03. 14.

Structural Health Monitoring Techniques참고 문헌 33인용 수 11

한 줄 요약

이 논문은 동일한 조건으로 제작된 헬리코프터 블레이드들 간의 진동 기반 구조 health 모니터링(SHM)에서의 변동성을 모델링하기 위해 겹치는 가우시안 프로세스의 혼합(OMGP)을 사용한 일반화된 인구집단 형태를 제안한다. 네 대의 실물 복합재 블레이드에서 획득한 주파수 응답 함수(FRFs)의 확률적 기능적 표현을 학습함으로써 제조 및 환경적 변동성을 포괄하며, 음의 로그-변동성-가능도(NLML)를 통한 강건한 이상 탐지 기능을 구현한다. 결과적으로, 작은 표본 크기 조건에서도 정확한 일반화 및 주파수 이동에 대한 민감도를 보여주었다.

ABSTRACT

Structural health monitoring (SHM) has been an active research area for the last three decades, and has accumulated a number of critical advances over that period, as can be seen in the literature. However, SHM is still facing challenges because of the paucity of damage-state data, operational and environmental fluctuations, repeatability issues, and changes in boundary conditions. These issues present as inconsistencies in the captured features and can have a huge impact on the practical implementation, but more critically, on the generalisation of the technology. Population-based SHM has been designed to address some of these concerns by modelling and transferring missing information using data collected from groups of similar structures. In this work, vibration data were collected from four healthy, nominally-identical, full-scale composite helicopter blades. Manufacturing differences (e.g., slight differences in geometry and/or material properties), among the blades presented as variability in their structural dynamics, which can be very problematic for SHM based on machine learning from vibration data. This work aims to address this variability by defining a general model for the frequency response functions of the blades, called a form, using mixtures of Gaussian processes.

연구 동기 및 목표

• 동일한 조건의 구조물에서 제조 차이, 환경 변화, 경계 조건 변화로 인한 진동 기반 SHM의 변동성 문제를 해결한다.
• 소규모 유사 구조물 집단의 주파수 응답 함수(FRFs)의 기능적 변동성을 포괄하는 데이터 기반 확률 모델('형태')을 개발한다.
• 제한된 건강 데이터로부터 공유 표현을 학습함으로써, 인구집단 기반 SHM(PBSHM)에서의 일반화 및 이상 탐지 기능을 가능하게 한다.
• 손상 유사 효과를 재현하기 위해 주파수를 점진적으로 이동시킨 시뮬레이션된 FRFs를 사용하여 방법의 강건성을 평가한다.
• OMGP 기반 형태가 자연 주파수 이동이 손상 외 요인에 의해 발생하더라도 정상 상태의 변동성과 비정상 변화를 구분할 수 있음을 입증한다.

제안 방법

• 네 대의 건강한 동일한 조건의 헬리코프터 블레이드의 FRF 데이터를 지도형 가우시안 프로세스(GP) 모델을 사용하여 처리하며, 각 블레이드에 대한 정확한 레이블을 제공한다.
• 비지도 학습 방식으로 인구집단 형태를 학습하기 위해 변분 베이지안 추론을 적용한 겹치는 가우시안 프로세스의 혼합(OMGP)을 적용하여 기능적 궤적 기반으로 데이터를 군집화한다.
• OMGP의 사후 예측 분포를 활용해 주파수 대역 전반에 걸친 FRF 크기와 불확실성 구간을 확률적으로 예측한다.
• 학습된 형태에 대해 테스트용 FRF(실험 및 시뮬레이션)의 음의 로그-변동성-가능도(NLML)를 계산하여 이상 여부를 평가한다.
• NLML의 99% 신뢰 구간(2.58σ)을 기준으로, 정상 변동성 범위를 벗어나는 데이터를 이질적 데이터로 경고한다.
• OMGP의 사후 예측 분포에서 10,000번 샘플링하여 형태의 예측 평균과 불확실성 구간을 시각화한다.

실험 결과

연구 질문

• RQ1 소규모의 동일한 조건이지만 기능적으로 변동성이 있는 구조물 집단으로부터 확률 모델을 사용해 일반화된 인구집단 형태를 효과적으로 학습할 수 있는가?
• RQ2 비지도 학습 기반의 OMGP 모델이 제조 차이와 경계 조건의 변동성으로 인한 FRF의 기능적 변동성을 얼마나 잘 포괄하는가?
• RQ3 학습된 인구집단 형태가 비손상 요인에 의해 유도된 주파수 이동을 가진 시뮬레이션된 손상 유사 FRF를 얼마나 잘 탐지할 수 있는가?
• RQ4 FRF 크기와 피크 위치가 서로 다른 블레이드들 간에서 이상 탐지 성능은 어떻게 달라지는가?
• RQ5 개별 주파수 점들이 모두 불확실성 구간 내에 있더라도, 기능적 전체 FRF 기반의 이상 탐지 지표가 비정상 데이터를 신뢰성 있게 경고할 수 있는가?

주요 결과

• OMGP 기반 인구집단 형태는 네 대의 동일한 조건의 헬리코프터 블레이드 간의 FRF 변동성을 정확히 포착하였으며, 예측 불확실성 구간이 관측된 데이터 산포와 매우 유사하게 일치하였다.
• 음의 로그-변동성-가능도(NLML) 지표는 주파수를 하향 이동시킨 시뮬레이션된 FRF를 이상 데이터로 성공적으로 경고하였으며, 학습 데이터 범위를 초월해 주파수가 감소할수록 NLML 값이 증가하는 경향을 보였다.
• 블레이드 1의 경우 NLML는 기준치에 가까워졌지만 99% 기준을 초과하지는 않았으며, 이는 형태가 학습 데이터 범위의 끝부분 근처의 주파수 이동에 민감함을 시사한다.
• 블레이드 3의 경우 주파수 감소에 따라 NLML가 일시적으로 증가하다가, 시뮬레이션된 FRF가 블레이드 1과 2의 자연 주파수 피크와 일치할 경우 감소하는 경향을 보였으며, 이는 정상 상태 피크와의 중첩을 탐지할 수 있음을 보여준다.
• 낮은 FRF 크기를 가진 블레이드들(예: 블레이드 1 및 2)에서는 주파수 이동에 대해 더 높은 민감도를 보였고, 반면 높은 크기를 가진 블레이드들(예: 블레이드 4)은 더 큰 이동이 있어야 이상 탐지가 발생하였다.
• 개별 점이 아닌 전체 FRF를 기반으로 평가하는 기능적 이상 탐지 접근법은 대부분의 테스트 점들이 불확실성 구간 내에 있더라도 비정상 데이터를 효과적으로 식별하였다. 이는 국소적 신호 편차에 대한 강건성을 입증한다.