[论文解读] Structural Damage Identification Using Artificial Neural Network and Synthetic data

Divya Shyam Singha, G. B. L. Chowdarya+1 more|arXiv (Cornell University)|Mar 27, 2017

Structural Health Monitoring Techniques被引用 7

一句话总结

本文提出了一种基于人工神经网络（ANN）的实时结构损伤识别方法，该方法利用合成与实验频率响应函数（FRF）数据进行训练。通过应用主成分分析（PCA）降低数据维度并减少噪声，系统能够以高精度和鲁棒性准确识别并预测加筋板结构中裂纹、铆钉孔扩张以及附加质量的损伤位置与严重程度。

ABSTRACT

This paper presents real-time vibration based identification technique using measured frequency response functions(FRFs) under random vibration loading. Artificial Neural Networks (ANNs) are trained to map damage fingerprints to damage characteristic parameters. Principal component statistical analysis(PCA) technique was used to tackle the problem of high dimensionality and high noise of data, which is common for industrial structures. The present study considers Crack, Rivet hole expansion and redundant uniform mass as damages on the structure. Frequency response function data after being reduced in size using PCA is fed to individual neural networks to localize and predict the severity of damage on the structure. The system of ANNs trained with both numerical and experimental model data to make the system reliable and robust. The methodology is applied to a numerical model of stiffened panel structure, where damages are confined close to the stiffener. The results showed that, in all the cases considered, it is possible to localize and predict severity of the damage occurrence with very good accuracy and reliability.

研究动机与目标

• 开发一种基于振动的实时结构损伤识别技术，利用随机激励下的频率响应函数（FRFs）。
• 通过主成分分析（PCA）进行降维，解决工业结构中常见的高维、高噪声数据问题。
• 利用数值与实验数据联合训练人工神经网络（ANNs），以提升系统的可靠性与鲁棒性。
• 定位并预测三种损伤类型（裂纹、铆钉孔扩张、均匀质量增加）的严重程度。
• 在损伤集中于加强筋附近的加筋板结构上验证该方法。

提出的方法

• 应用主成分分析（PCA）对高噪声、高维的FRF数据进行降维，同时保留关键的损伤相关特征。
• 训练人工神经网络（ANNs），将降维后的FRF数据映射到损伤特征参数（如位置与严重程度）。
• 采用结合数值模拟与实验数据的混合数据集对ANN系统进行训练，以增强其泛化能力与鲁棒性。
• 每个ANN专门针对一种特定类型的损伤（裂纹、铆钉孔、附加质量）进行检测与量化，基于预处理的FRF数据。
• 以随机振动载荷下的FRF测量作为输入，实现损伤的实时评估。
• 该方法在加筋板的有限元模型上进行验证，损伤集中于靠近加强筋的位置。

实验结果

研究问题

• RQ1 基于合成与实验FRF数据训练的人工神经网络能否实现实时、高精度的结构损伤识别？
• RQ2 PCA在降低高维、高噪声FRF数据维度的同时，能否有效保留对损伤敏感的特征，从而实现可靠的损伤识别？
• RQ3 结合数值与实验数据的混合训练方法在多大程度上能提升损伤识别系统的鲁棒性与可靠性？
• RQ4 所提出的方法能否以高精度同时定位并量化多种损伤类型——裂纹、铆钉孔扩张及附加质量？
• RQ5 当损伤集中于结构加强筋附近（一种常见的工业场景）时，系统性能如何？

主要发现

• 所提出的方法成功实现了对所有三种损伤类型（裂纹、铆钉孔扩张、附加质量）的精确定位与严重程度预测，精度极高。
• PCA有效降低了FRF数据的维度，显著抑制了噪声，提升了神经网络分类器的性能。
• 采用数值与实验数据混合训练的方法显著增强了ANN系统的鲁棒性与泛化能力。
• 即使在存在测量噪声与数据变异的情况下，系统仍能实现可靠的损伤识别。
• 结果在所有损伤场景下均表现一致，证实了基于ANN与合成数据实现实时结构健康监测的可行性。