[论文解读] 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 3

一句话总结

本文提出一种新型结构健康监测（SHM）方法，通过使用带外生输入的向量自回归（VARX）建模与格兰杰因果关系，识别最小且信息保留完整的传感器集合，以减少传感器数量。通过分析子结构自由度（DOFs）之间的条件格兰杰因果关系，该方法基于实测响应与模型预测响应之间的残差比较，选择最优传感器用于损伤检测。该方法在具有较少传感器需求和高检测准确率的格子有限元模型上得到验证。

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.

研究动机与目标

• 最小化在民用与机械结构中实现有效结构健康监测（SHM）所需的传感器数量。
• 通过识别关键测量点以保留必要的动态信息，解决SHM中传感器观测不完整的问题。
• 基于结构子部件之间的信息流分析，开发一种系统化的最优传感器位置选择方法。
• 通过将实时振动数据与健康子结构模型的预测结果进行比较，利用精简传感器集实现可靠的损伤检测。
• 通过在格子结构上进行有限元仿真，在不同损伤情景下验证该方法的有效性。

提出的方法

• 该方法首先将健康结构划分为感兴趣的子结构，以隔离其动态行为。
• 每个子结构均采用带外生输入的向量自回归（VARX）模型进行建模，以捕捉所有自由度（DOFs）之间的动态关系。
• 计算自由度之间的成对条件格兰杰因果关系，以量化信息流动并评估省略特定传感器的影响。
• 根据传感器对信息流的贡献程度进行排序，并选择性地移除传感器，以在最小化信息损失的同时减少传感器数量。
• 在评估阶段，将精简传感器集获取的振动数据与健康VARX模型的预测结果进行比较，以计算损伤指标。
• 损伤指标通过实测响应与估计响应之间的残差计算得出，显著偏差表示可能存在损伤。

实验结果

研究问题

• RQ1 在观测不完整的结构中，维持有效损伤检测所需的最小传感器集合是什么？
• RQ2 如何量化结构子部件之间的信息流，以指导最优传感器布设？
• RQ3 格兰杰因果关系分析在不损害损伤检测性能的前提下，能在多大程度上识别冗余传感器？
• RQ4 通过信息论方法选择传感器以减少传感器数量时，该方法在多大程度上保持了检测精度？
• RQ5 VARX-格兰杰因果关系框架能否在传感器数据有限的有限元模型中可靠地检测损伤？

主要发现

• 所提出的方法成功识别出一组精简的传感器，保留了关键动态信息，显著降低了传感器数量，同时未牺牲检测能力。
• 条件格兰杰因果关系分析有效量化了每个自由度的信息贡献，实现了基于因果影响的系统化传感器选择。
• 基于实测与预测响应之间残差分析得出的损伤指标，能可靠地检测有限元模型中的损伤。
• 即使在观测不完整的情况下，该方法仍保持高检测精度，表现出对传感器减少的鲁棒性。
• 在格子结构模型上的验证结果表明，所选传感器集合的性能可与全传感器监测相媲美。
• 该方法实现了系统化、数据驱动的传感器选择，最大限度减少信息损失，同时降低测量成本。