[论文解读] Modelling variability in vibration-based PBSHM via a generalised population form

TINA A. DARDENO, Lawrence A. Bull+3 more|arXiv (Cornell University)|Mar 14, 2022

Structural Health Monitoring Techniques参考文献 33被引用 11

一句话总结

本文提出一种基于重叠高斯过程混合模型（OMGP）的广义群体形式，用于在名义上相同的直升机旋翼叶片中建模基于振动的结构健康监测（SHM）中的变异。通过从四片全尺寸复合材料叶片中学习频率响应函数（FRFs）的概率性、函数化表示，该方法捕捉了制造和环境引起的固有变异，实现了基于负对数边际似然（NLML）的鲁棒异常检测，结果表明即使在小样本群体下，该方法仍能实现准确泛化并敏感检测频率偏移。

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.

研究动机与目标

• 解决由于制造差异、环境波动和边界条件变化导致的名义上相同结构中基于振动的SHM的变异挑战。
• 开发一种数据驱动的、概率化的模型（即‘形式’），以捕捉小样本相似结构群体中频率响应函数（FRFs）的功能变异。
• 通过从有限的健康数据中学习共享表示，实现在群体基SHM（PBSHM）中的泛化与异常检测。
• 使用具有渐进频率偏移的模拟FRFs评估该方法的鲁棒性，以模拟损伤效应。
• 证明基于OMGP的‘形式’能够区分正常状态下的变异与异常变化，即使频率偏移由非损伤因素引起。

提出的方法

• 使用监督型高斯过程（GPs）混合模型对四片健康、名义上相同的直升机旋翼叶片的FRF数据进行建模，每个叶片均有已知标签。
• 采用重叠高斯过程混合模型（OMGP）并结合变分贝叶斯推断，以无监督方式学习群体形式，基于功能轨迹对数据进行聚类。
• 利用OMGP的后验预测分布，生成频率带内FRF幅值的概率预测及不确定性边界。
• 计算测试FRF（实验和模拟）相对于学习到的‘形式’的负对数边际似然（NLML），以评估异常性。
• 设定99%置信阈值（2.58σ）以判断NLML值超出正常变异预期范围的数据为异常。
• 通过从OMGP的后验预测分布中抽取10,000次样本，可视化‘形式’的预测均值和不确定性边界。

实验结果

研究问题

• RQ1 能否利用概率模型，从少量名义上相同但功能上存在差异的结构系统中，有效学习到广义群体形式？
• RQ2 无监督的OMGP模型在多大程度上能捕捉由制造差异和边界条件波动引起的FRF功能变异？
• RQ3 学习到的群体形式在多大程度上能检测到模拟损伤引起的FRF频率偏移，即使这些偏移由非损伤因素引起？
• RQ4 在FRF幅值和峰值位置各不相同的叶片中，异常检测性能如何变化？
• RQ5 基于全FRF的功能性、全FRF基异常度量是否能可靠地标记异常数据，即使单个频率点仍处于不确定性边界内？

主要发现

• 基于OMGP的群体形式准确捕捉了四片名义上相同的直升机旋翼叶片间FRF的变异，其预测不确定性边界与观测数据的分布高度吻合。
• 负对数边际似然（NLML）度量成功将具有向下频率偏移的模拟FRF识别为异常，且随着频率降低超出训练数据范围，NLML值持续上升。
• 对于Blade 1，NLML接近但未超过99%阈值，表明该‘形式’对训练数据范围边缘附近的频率偏移具有敏感性。
• 对于Blade 3，NLML随频率降低先上升，但当模拟FRF与Blade 1和2的固有频率峰值对齐时，NLML下降，表明模型能检测到与正常状态峰值的重叠。
• 该方法对FRF幅值较低的叶片（如Blade 1和2）表现出更高的频率偏移敏感性，而幅值较高的叶片（如Blade 4）则需更大的偏移才能触发异常检测。
• 基于全FRF的功能性异常检测方法，通过评估整个FRF而非单个频率点，有效识别出异常数据，即使大多数测试点仍处于不确定性边界内，凸显其对部分信号偏差的鲁棒性。