В Чанше зацвели яблони 🦁

Краткий обзор методов обнаружения и идентификации повреждений и дефектов строительных конструкций

1. Мониторинг технического состояния конструкций (SHM)

1.1 Понятие и этапы

Идентификация повреждений существующих мостов играет ключевую роль в безопасной эксплуатации гражданской инфраструктуры. Если повреждение не выявлено вовремя, это может привести к экономическим потерям и человеческим жертвам. Поэтому крайне важно исследовать и развивать методы мониторинга технического состояния конструкций (SHM), позволяющие точно и рано обнаруживать повреждения в автоматическом режиме и экономить на ремонте и обслуживании.

В условиях эксплуатации конструкции деградируют со временем и от использования. Долгосрочный SHM периодически выдаёт обновлённую информацию о способности конструкции и дальше выполнять своё назначение. После экстремальных событий, например землетрясения или взрывной нагрузки, SHM позволяет быстро оценить состояние. Цель SHM — давать надёжную информацию о целостности конструкции почти в реальном времени. [1]

Мониторинг технического состояния (SHM) — это стратегический процесс принятия обоснованных решений о состоянии конструкции на основе непрерывно собираемых данных. Чтобы напрямую отслеживать и идентифицировать состояние системы, в полученных данных нужно найти признаки, отличающие неповреждённую конструкцию от повреждённой. Один из самых распространённых способов извлечения признаков — сопоставлять измеренные величины отклика системы (например, амплитуду или частоту колебаний) с наблюдениями за деградирующей системой. Подходящие признаки помогают найти и испытания на накопление повреждений: важные элементы исследуемой системы подвергаются реальным нагрузкам и деградируют. Это могут быть испытания с наведёнными повреждениями, усталостные испытания, развитие коррозии или температурные циклы, ускоряющие накопление определённых видов повреждений.

SHM включает несколько последовательных этапов:

Выбор способов возбуждения
Выбор типов датчиков / типов собираемых данных
Выбор количества и мест установки датчиков, а также аппаратуры сбора, хранения и передачи данных (часто её называют системой мониторинга состояния и использования)
Сбор данных с датчиков, установленных на конструкции
Нормализация и очистка данных для обеспечения надёжности
Извлечение признаков для выявления характерных картин повреждений и сжатие данных
Разработка статистических моделей
Анализ этих картин для различения состояний / видов повреждений

Среди этих этапов «5. Нормализация и очистка данных» относится к управлению данными, а этапы 6, 7 и 8 — к интерпретации данных и диагностике. Элементы интерпретации данных и диагностики можно свести к четырём пунктам:
1. Идентификация системы
2. Уточнение (обновление) модели конструкции
3. Оценка состояния конструкции
4. Прогнозирование

1.2 Способы возбуждения

Способы возбуждения можно условно разделить на три типа:

Естественное возбуждение: природные явления — ветер, дождь, землетрясения — служат внешними источниками возбуждения; состояние конструкции оценивается по её отклику на них.
Искусственное возбуждение: с помощью вибростендов, ударных молотков, вибровозбудителей к конструкции прикладывают контролируемое воздействие и измеряют отклик. Так можно точнее моделировать и анализировать динамические свойства конструкции.
Средовое возбуждение: помимо природного, возбуждением могут служить и изменения среды, вызванные человеком (например, изменения температуры или влажности). Отслеживая реакцию конструкции на них, оценивают её приспособляемость и долговечность.

1.3 Виды мониторинга

Исходные данные, то есть их тип, определяют вид мониторинга. Два самых распространённых подхода — методы на основе распространения волн [2] и вибрационные методы [3] [4] [5]. Основные методы мониторинга:

Методы на основе распространения волн: используют свойства распространения волн (звуковых, ультразвуковых или электромагнитных) в материале для обнаружения внутренних повреждений. Когда волны проходят через железобетонную плиту, металлический элемент или композит, их скорость, амплитуда и другие характеристики меняются при встрече с трещинами, пустотами или включениями. Анализ этих изменений позволяет обнаружить и локализовать повреждение.

Пример: ультразвуковой контроль сварных швов крупных стальных конструкций. Небольшой излучатель посылает волны с одного конца, а приёмник на другом конце фиксирует время прихода и интенсивность. Если в шве есть трещина, путь волны прерывается или меняется, сигнал на приёмнике становится аномальным, и проблема выявляется.

Вибрационные методы: оценивают состояние конструкции по её колебаниям при естественном или искусственном возбуждении. Сравнение текущей картины колебаний с известной картиной исправного состояния выявляет изменения или повреждения.

Пример: вибромониторинг моста. Акселерометры в ключевых точках моста в реальном времени регистрируют колебания от повседневной транспортной и ветровой нагрузки. По этим данным инженеры выявляют изменения работы конструкции, например сдвиг собственной частоты из-за старения опор или ослабления вант. Такой мониторинг помогает заранее обнаружить проблему и избежать катастрофического разрушения.

Волоконно-оптические датчики: используют распространение света в оптическом волокне для регистрации изменений в конструкции — деформаций, температуры, давления. Их можно прокладывать на очень большие расстояния, они обеспечивают непрерывный мониторинг и устойчивы к внешним помехам, поэтому идеальны для крупных сооружений (мостов, высотных зданий, тоннелей). Принцип работы обычно основан на том, что характеристики света (интенсивность, фаза, поляризация или частота) меняются вместе с условиями вокруг волокна; измеряя эти изменения, определяют состояние конструкции. Распространённый тип — датчик на волоконной брэгговской решётке (FBG), который регистрирует деформацию и температуру по сдвигу длины волны.

Пример: датчики FBG на мосту высокоскоростной железной дороги отслеживают малые деформации при проходе поездов и своевременно фиксируют признаки повреждений от концентрации напряжений или усталости. Высокая чувствительность к температуре и деформациям делает их идеальными для мониторинга крупной инфраструктуры.

Тензорезисторы и датчики деформации: тензорезисторы измеряют деформацию материала или конструкции под нагрузкой. Они основаны на принципе, что сопротивление проводника меняется при растяжении или сжатии. Это изменение можно точно измерить и пересчитать в деформацию, получая данные о напряжённом состоянии конструкции. Тензорезисторы обычно наклеивают на поверхность; они фиксируют малые деформации под приложенной или естественной нагрузкой, что очень полезно для оценки состояния, особенно при развитии трещин, локальной концентрации напряжений или потере предварительного напряжения.

Пример: тензорезисторы на лопастях ветроустановки измеряют изгиб и кручение под действием ветра и дают ключевые данные о работе и целостности лопасти. Эта информация важна для прогнозного обслуживания и предотвращения отказов.

Тепловизионный и инфракрасный контроль: инфракрасные камеры получают изображения теплового излучения и бесконтактно измеряют распределение температуры. Распределение температуры на поверхности может указывать на проблемные зоны. В основе лежит ключевой принцип: повреждения (трещины, расслоения, пустоты, проникновение влаги) меняют тепловые свойства материала, а значит, и температуру поверхности. Инфракрасная съёмка позволяет дистанционно и бесконтактно отслеживать эти изменения и служит эффективной системой раннего предупреждения.
Пример: обнаружение трещин. В бетонных конструкциях трещины могут вызвать коррозию арматуры и снизить общую устойчивость. Тепловизор помогает найти трещины на ранней стадии, особенно мелкие, незаметные глазу.
Ещё пример: проникновение влаги. Для конструкций это серьёзная проблема, ведущая к разрушению материала, например к набуханию бетона или коррозии арматуры. Инфракрасная съёмка выявляет изменения влажности на поверхности или внутри конструкции, поскольку влага меняет теплопроводность, что видно на термограмме.
И ещё пример: расслоения или пустоты в дорогах, пролётных строениях мостов и взлётно-посадочных полосах могут привести к разрушению. Тепловизионный контроль выявляет их, поскольку тепло в дефектных зонах распространяется иначе, чем в целых.
И ещё один: машинное обучение можно сочетать с инфракрасными методами или с ГИС (Geographic Information System, GIS) и инфракрасной съёмкой для выявления дефектов зданий.

Практические примеры:
Обследование мостов: тепловизионная съёмка мостов выявляет возможные проблемы, вызванные средой или возрастом. Например, термограмма проезжей части может показать аномальные горячие точки из-за просачивания воды или трещин, которые могут предвещать дальнейшие повреждения.
Мониторинг бетонных сооружений: в крупных бетонных плотинах или зданиях тепловизор отслеживает распределение температуры бетона и выявляет возможные трещины, расслоения или скопления влаги. Особенно в период твердения неравномерное распределение температуры может указывать на проблемы бетонирования, например на раннее трещинообразование.

Цифровая обработка изображений и компьютерное зрение: эти методы оценивают состояние конструкции, анализируя изображения с камер или других устройств. С их помощью находят трещины, коррозию, деформации и другие видимые признаки на поверхности. Изображения высокого разрешения дают подробную информацию о поверхности, а алгоритмы компьютерного зрения автоматически распознают и количественно оценивают эти признаки. Подход особенно полезен для сооружений, требующих регулярного визуального осмотра: мостов, дорог, фасадов зданий.

Принцип работы:
Цифровая обработка изображений включает улучшение изображения, извлечение признаков, сегментацию и другие шаги, чтобы повысить качество и извлечь полезную информацию. Компьютерное зрение затем интерпретирует эту информацию, например с помощью распознавания образов автоматически находит трещины, коррозию и другие аномалии.

Применение и примеры:
Обнаружение трещин: анализируя снимки зданий, мостов или дорог, алгоритмы компьютерного зрения определяют наличие, положение и размер трещин. Например, дрон с камерой высокого разрешения снимает мост, а затем обработка изображений точно отмечает трещины и оценивает их ширину.
Обнаружение коррозии: коррозия стальных конструкций или арматуры может вызвать серьёзные проблемы. По снимкам поверхности видны её признаки — изменение цвета и текстуры. Это особенно важно для мостов, трубопроводов и сооружений в агрессивной среде.
Мониторинг деформаций и смещений: анализ временных рядов снимков позволяет отслеживать малые деформации или смещения. Метод подходит для контроля устойчивости плотин, высотных зданий и оснований; сравнение снимков разных лет показывает тенденции деформаций и выявляет риски заранее.
Дефекты поверхности бетона: раковины, «соты», трещины снижают долговечность и несущую способность. Обработка изображений высокого разрешения позволяет автоматически находить такие дефекты и помогает инженерам оценить целостность конструкции.
Метод также можно сочетать с ГИС для обнаружения опасных явлений или трещин.

Мониторинг окружающей среды: непрерывное отслеживание факторов среды, влияющих на работу и долговечность конструкций: температуры, влажности, агрессивных химических веществ, солей, скорости и направления ветра. Анализ этих параметров помогает понять процессы деградации материалов, прогнозировать срок службы и заранее планировать ремонт или усиление, предотвращая разрушение.

Принцип работы:
Мониторинг среды опирается на датчики, непрерывно или периодически регистрирующие определённые факторы. Затем данные анализируются, чтобы оценить их влияние на состояние конструкции. Например, непрерывный контроль температуры и влажности помогает оценить скорость гидратации внутри бетона или скорость коррозии стали.

Применение и примеры
Температура и влажность: мониторинг зданий, мостов или тоннелей для оценки долгосрочного влияния среды на материалы. Например, образование и рост трещин в бетоне зависят от колебаний температуры, а высокая влажность ускоряет коррозию арматуры.
Химические вещества и соли: для мостов и морских сооружений, подверженных действию солёной воды или агрессивных химикатов, контроль их концентрации необходим для прогноза скорости коррозии и принятия защитных мер.
Скорость и направление ветра: мониторинг высотных зданий, большепролётных мостов или башен ветроустановок обеспечивает безопасность при сильном ветре. Данные о ветровой нагрузке позволяют моделировать динамический отклик и оптимизировать проект против колебаний при экстремальном ветре.
Коррозия: датчики коррозии на мостах, трубопроводах и других металлических конструкциях отслеживают скорость коррозии и агрессивность среды, что необходимо для планирования обслуживания и продления срока службы.

2. Оценка состояния мостов, зданий и другой инфраструктуры

В разделе 1 описано общее понятие мониторинга технического состояния. Оценку или мониторинг состояния различных объектов инфраструктуры и конструкций обычно называют оценкой технического состояния (Structural Health Assessment, SHA) или мониторингом технического состояния (Structural Health Monitoring, SHM).

При повреждении инфраструктуры или конструкций оценка включает четыре шага:

Определить, есть ли повреждение
Определить место повреждения
Определить тип повреждения
Количественно оценить степень повреждения

Чтобы превратить данные датчиков о состоянии инфраструктуры в информацию о повреждениях, нужны методы обработки сигналов и статистической классификации.

2.1 Оценка в ходе управления строительством / жизненного цикла здания

Оценка SHM с точки зрения безопасности людей
Экономическая оценка SHM
Как определить повреждение для исследуемой системы?
Какие из множества возможных повреждений вызывают наибольшую озабоченность?
В каких эксплуатационных и внешних условиях работает контролируемая система?
Какие ограничения есть на сбор данных в условиях эксплуатации и как их преодолеть?

2.2 Сбор, нормализация и очистка данных

Этап сбора данных в SHM включает выбор способов возбуждения, типов, количества и расположения датчиков, а также аппаратуры сбора, хранения и передачи данных. Этот процесс тоже зависит от конкретного применения, и экономические соображения играют здесь важную роль. Ещё один фактор — с какой периодичностью собирать данные.

Поскольку данные измеряются в разных условиях, возможность их нормализации очень важна для идентификации повреждений. В SHM нормализация — это отделение изменений показаний датчиков, вызванных повреждением, от изменений, вызванных разными эксплуатационными и внешними условиями. Одна из самых распространённых процедур — нормировать измеренный отклик на измеренное воздействие. Когда проблемой становится изменчивость среды или режима эксплуатации, данные нужно нормализовать во времени, чтобы сравнивать измерения, сделанные в схожие моменты цикла. Источники изменчивости в сборе данных и в самой системе нужно выявить и по возможности свести к минимуму. В общем случае устранить все источники нельзя, поэтому нужны измерения, позволяющие оценить их статистически. Изменчивость может возникать из-за смены условий среды и испытаний, изменений в обработке данных и различий между отдельными экземплярами.

Очистка данных — это выборочный отбор данных, которые передаются на этап выбора признаков или исключаются из него. Обычно она опирается на знания людей, непосредственно занятых сбором данных. Например, при осмотре установки может выясниться, что датчик закреплён неплотно, и по решению выполняющего измерения этот набор данных или данные этого датчика исключаются из выбора признаков. Фильтрацию, передискретизацию и другие методы обработки сигналов тоже можно считать очисткой данных.

Наконец, этапы сбора, нормализации и очистки данных в SHM не должны быть неизменными. Знания, полученные при выборе признаков и разработке статистических моделей, подскажут, как улучшить сбор данных.

Рассмотрим на примере статьи: Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine [6]

В статье предложен новый метод обнаружения повреждений, сочетающий вариационное модовое разложение (VMD) и ядерный метод главных компонент (KPCA). Метод призван преодолеть влияние изменений среды и точно обнаруживать повреждения. Предложенную схему можно свести к следующим ключевым шагам:

Разложение данных: сначала алгоритм VMD раскладывает данные вибрационного отклика на внутренние модовые функции (IMF) и получает частотно-временные признаки.
Извлечение признаков: затем из выбранных компонент IMF извлекаются признаки спектрального центроида (SC), соответствующие статистическим свойствам формы спектра в оконном преобразовании Фурье (STFT); из них строится матрица признаков повреждений. Используются только компоненты IMF с информацией о повреждении, чтобы убрать избыточные (или нерелевантные) признаки.
Снижение размерности: далее к матрице признаков применяется KPCA, чтобы устранить влияние эксплуатационных и внешних изменений и получить показатели, чувствительные к повреждениям.
Принятие решения: метод опорных векторов (SVM) используется для сравнения эффективности этого и существующих методов извлечения признаков повреждения.

Глоссарий

Термин	Полное название	Принцип
VMD	Вариационное модовое разложение (Variational modal decomposition)	Адаптивный метод обработки сигналов, раскладывающий сложный сигнал на несколько внутренних модовых функций (IMF) с определённой шириной полосы. VMD решает заданную вариационную задачу и получает набор модовых составляющих с ограниченной полосой, компактных в частотной области.
IMF	Внутренние модовые функции (Intrinsic Mode Functions)	Простые колебательные моды, выделенные из сложного сигнала. Каждая IMF представляет одну собственную колебательную моду, а вместе они полностью описывают исходный сигнал. Это метод частотно-временного анализа, особенно подходящий для нелинейных и нестационарных сигналов.
SC	Спектральный центроид (Spectral Centroid Feature)	Мера спектральных свойств сигнала, «центр тяжести» спектра. В обработке музыки обычно описывает «яркость» тембра. В SHM признаки спектрального центроида извлекают информацию из спектра сигнала для определения состояния повреждения.
STFT	Оконное преобразование Фурье (Short-Time Fourier Transform)	Метод частотно-временного анализа: длинный сигнал делится на короткие отрезки, и к каждому применяется преобразование Фурье, что даёт частотную информацию, меняющуюся во времени. Подходит для нестационарных сигналов.
KPCA	Ядерный метод главных компонент (Kernel Principal Component Analysis)	Нелинейный метод снижения размерности: данные отображаются в пространство признаков высокой размерности, где выполняется обычный метод главных компонент (PCA). KPCA выявляет нелинейную структуру данных и подходит для сложного анализа.
SVM	Метод опорных векторов (Support Vector Machine)	Модель обучения с учителем для классификации и регрессии. SVM находит в пространстве признаков оптимальную разделяющую гиперплоскость с максимальным зазором между классами. Особенно хорош для данных высокой размерности и нелинейных задач.

В статье также проведены численные исследования и экспериментальная проверка на существующих конечно-элементных моделях, включая численную модель стальной сетчатой конструкции и полномасштабные эталонные задачи для моста Z24 и вантового моста Юнхэ. Результаты конечно-элементных расчётов подставляются в предложенный метод для проверки его устойчивости. Результаты показывают, что метод точно выявляет повреждения при меняющихся внешних условиях.

Традиционные и распространённые методы нормализации и обработки данных

Нормализация и обработка данных переводят исходные данные в формат, более удобный для алгоритмов, и повышают точность и эффективность моделей. Вот распространённые методы (обратите внимание: это весьма традиционные и старые методы):

Мин-макс нормализация (Min-Max Normalization)
Масштабирует все признаки в заданный диапазон, обычно [0, 1] или [-1, 1]:

$$
x’ = \frac{x - \text{min}(x)}{\text{max}(x) - \text{min}(x)}
$$
Z-нормализация (Z-Score Normalization)

Также называется стандартизацией или стандартной оценкой (Standard Score). Приводит данные к среднему 0 и стандартному отклонению 1:
$$
z = \frac{x - \mu}{\sigma}
$$
где x — исходные данные, \mu — среднее, \sigma — стандартное отклонение.

Принцип: из исходных данных вычитается среднее, и результат делится на стандартное отклонение, так что среднее становится 0, а отклонение — 1.
Применение: широко используется в статистике и машинном обучении, особенно для нормально распределённых данных. Уменьшает влияние разных единиц измерения признаков, чтобы модель оценивала каждый признак справедливее.
Десятичное масштабирование (Decimal Scaling)

Масштабирует данные переносом десятичной запятой. Число разрядов зависит от наибольшего по модулю значения:
$$
x’ = \frac{x}{10^k}
$$
где k — число разрядов переноса, выбранное так, чтобы модуль x' лежал в [0, 1].

Принцип: запятая переносится на число разрядов, определяемое порядком наибольшего по модулю значения.
Применение: в основном для упрощения представления данных. Метод прост, но редко используется при обучении сложных моделей.
Логарифмическое преобразование (Log Transformation)

Применяется к данным с «тяжёлыми хвостами», приближая распределение к нормальному:
$$
x’ = \log(x)
$$
Очень эффективно уменьшает асимметрию.

Принцип: данные преобразуются натуральным или десятичным логарифмом; обычно для распределений с длинным хвостом.
Применение: улучшает нормальность и симметрию данных и качество подгонки линейной регрессии.
Преобразование квадратным корнем (Square Root Transformation)

Ещё один способ уменьшить асимметрию, особенно для счётных данных:
$$
x’ = \sqrt{x}
$$
Принцип: из данных извлекается квадратный корень; используется для положительно скошенных распределений.
Применение: как и логарифм, улучшает нормальность и симметрию; часто встречается в науках об окружающей среде.
Преобразование Бокса — Кокса (Box-Cox Transformation)

Общий метод приближения данных к нормальному распределению:
$$
x’(\lambda) = \begin{cases}
\frac{x^\lambda - 1}{\lambda} & \text{if } \lambda \neq 0 \
\log(x) & \text{if } \lambda = 0
\end{cases}
$$
где λ — параметр преобразования.

Принцип: параметрическое преобразование, которое при разных λ сводится к логарифму, квадратному корню и другим формам; цель — приблизить данные к нормальным.
Применение: широко используется в статистическом моделировании и машинном обучении, особенно в моделях с предположением о нормальности: линейная регрессия, дисперсионный анализ.
Нормирование вектора (Normalization)
Принцип: длина вектора признаков приводится к единичной норме (длина 1), чтобы каждый признак одинаково влиял на вычисление расстояний.
Применение: часто используется в обработке текста и изображений, а также в алгоритмах, вычисляющих сходство векторов, например косинусное сходство.

Конкретная формула бывает разной, но при приведении вектора к единичной норме обычно:
$$
\text{Normalized} ; \mathbf{x} = \frac{\mathbf{x}}{|\mathbf{x}|}
$$
где x — исходный вектор признаков, |x| — его норма (например, L2).
Дискретизация и биннинг (Discretization and Binning)
Принцип: непрерывный признак делится на интервалы («корзины») и превращается в дискретный.
Применение: часто используется при предобработке, особенно для деревьев решений. Дискретизация упрощает модель, делает её понятнее и помогает учесть нелинейные зависимости непрерывных переменных.

Простой пример биннинга задаётся границами интервалов:
$$
\text{Binned} ; x =
\begin{cases}
1 & \text{if } a \leq x < b \
2 & \text{if } b \leq x < c \
\vdots & \vdots \
n & \text{if } y \leq x \leq z
\end{cases}
$$
где a, b, c, ..., y, z — границы диапазона значений непрерывного признака x.
Прямое (one-hot) кодирование (One-Hot Encoding)
Принцип: категориальная переменная преобразуется в форму, удобную для алгоритмов машинного обучения: для каждой категории создаётся новый двоичный признак.
Применение: используется почти во всех моделях, работающих с категориальными данными, включая линейную и логистическую регрессию и нейронные сети.

· Новые методы здесь не рассматриваются. Я опишу их в будущей статье и добавлю сюда ссылку после публикации.

2.3 Извлечение признаков и сжатие данных

Больше всего внимания в технической литературе по SHM уделяется выявлению признаков данных, позволяющих отличить неповреждённую конструкцию от повреждённой. Суть выбора признаков — сжатие данных, и лучшие признаки для идентификации повреждений опять-таки зависят от конкретного применения.

Один из самых распространённых способов извлечения признаков — сопоставлять измеренные величины отклика (например, амплитуду или частоту колебаний) с непосредственными наблюдениями за деградирующей системой. Другой способ — внести в систему инженерные дефекты, похожие на ожидаемые в реальных условиях, и выяснить, какие параметры чувствительны к ожидаемым повреждениям. Систему с дефектами можно использовать и для проверки, достаточно ли чувствительны диагностические измерения, чтобы различить признаки исправной и повреждённой системы. Большую помощь здесь оказывают аналитические инструменты, например проверенные экспериментом конечно-элементные модели; часто с их помощью проводят численные эксперименты, внося дефекты компьютерным моделированием. Подходящие признаки помогают найти и испытания на накопление повреждений, когда важные элементы конструкции деградируют под реальной нагрузкой; это могут быть испытания с наведёнными повреждениями, усталостные испытания, развитие коррозии или температурные циклы для ускоренного накопления повреждений. Понимание подходящих признаков дают разные аналитические и экспериментальные исследования, как описано выше, и обычно — их сочетание.

Внедрение SHM и диагностические измерения порождают больше данных, чем традиционное использование информации о динамике конструкций. При сравнении множества наборов признаков, полученных за срок службы конструкции, сжатие данных выгодно и необходимо. Кроме того, поскольку данные собираются долго и в условиях эксплуатации, нужны надёжные методы сокращения данных, сохраняющие чувствительность признаков к интересующим изменениям конструкции на фоне изменений среды и режима эксплуатации. Чтобы лучше извлекать и записывать качественные данные для SHM, следует оценивать статистическую значимость признаков и использовать её при сжатии.

Вернёмся к той же статье: Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine

Ещё раз вся схема метода:

Разложение данных: сначала алгоритм вариационного модового разложения раскладывает данные вибрационного отклика на IMF и получает частотно-временные признаки.
Извлечение признаков: затем из выбранных компонент IMF извлекаются признаки спектрального центроида (SC), соответствующие статистическим свойствам формы спектра в оконном преобразовании Фурье (Short-Time Fourier Transform, STFT); из них строится матрица признаков повреждений. Учитываются компоненты IMF с информацией о повреждении, чтобы убрать избыточные (или нерелевантные) признаки.
Сжатие данных: далее к матрице признаков применяется KPCA, чтобы устранить влияние эксплуатационных и внешних изменений и получить показатели, чувствительные к повреждениям.
Принятие решения: наконец, метод опорных векторов (Support Vector Machine, SVM) используется для сравнения эффективности этого и существующих методов.

Шаги 2 и 3 — это и есть извлечение признаков и сжатие данных.

· Методы извлечения признаков и сжатия данных здесь не рассматриваются. Я опишу их в будущей статье и добавлю сюда ссылку после публикации.

2.4 Разработка статистических моделей

Меньше всего внимания в технической литературе по SHM получает разработка статистических моделей, которые по признакам отличают неповреждённую конструкцию от повреждённой. Разработка статистической модели — это реализация алгоритмов, обрабатывающих извлечённые признаки для количественной оценки состояния повреждения. Эти алгоритмы обычно делятся на три категории. Когда доступны данные и по неповреждённой, и по повреждённой конструкции, алгоритмы статистического распознавания образов относятся к общей классификации, обычно называемой обучением с учителем; групповая классификация и регрессионный анализ — категории алгоритмов обучения с учителем. Обучение без учителя — это алгоритмы для данных, не содержащих примеров повреждённой конструкции; основной класс таких алгоритмов — обнаружение выбросов или новизны. Все алгоритмы анализируют статистические распределения измеренных или производных признаков, чтобы улучшить идентификацию повреждений.

Методы разработки статистических моделей здесь не рассматриваются. Я опишу их в будущей статье и добавлю сюда ссылку после публикации.

Список литературы

Dawson, Brian (1976). “Vibration condition monitoring techniques for rotating machinery”. The Shock and Vibration Digest. 8 (12): 3–8. doi:10.1177/058310247600801203.
Raghavan, A. and Cesnik, C. E., Review of guided-wave structural health monitoring,” Shock and Vibration Digest, vol. 39, no. 2, pp. 91-114, 2007.
Carden, E; Fanning P (2004). “Vibration based condition monitoring: a review”. Structural Health Monitoring. 3 (4): 355–377. CiteSeerX 10.1.1.118.3093. doi:10.1177/1475921704047500. S2CID 14414187.
Montalvao, D., Maia, N. M. M., and Ribeiro, A. M. R., A review of vibration- based structural health monitoring with special emphasis on composite materials,” Shock and Vibration Digest, vol. 38, no. 4, pp. 295-326, 2006.
Fan, W. and Qiao, P. Z., Vibration-based damage identification methods: A review and comparative study,” Structural Health Monitoring, vol. 10, no. 1, pp. 83-111, 2010.
Bisheh HB, Amiri GG. Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine. Engineering Structures. 2023;278:115565. doi:10.1016/j.engstruct.2022.115565

Краткий обзор методов обнаружения и идентификации повреждений и дефектов конструкций

Shawn.st Опубликовано 2024-04-04

Просмотры