结构动力学中基于高斯过程潜力模型的联合输入-状态估计之替代协方差函数评估
应用统计
2023-06-29 v1
摘要
数字技术可用于收集结构构件行为的准确信息，以改进系统设计，并实现先进的结构健康监测策略。通过开发提供所谓数字孪生（即物理实体的数字镜像表示）的虚拟化方法，为实现自动化和连续结构评估开辟了新途径。在此框架下，本工作的主要动机源于在动态系统虚拟化实时预测框架的实现与部署方面存在的挑战。在此背景下，通常采用基于卡尔曼的滤波器来解决结构动力学中的联合输入-状态预测任务。本工作利用高斯过程潜力模型（GPLFM）方法为未知输入构建灵活的数据驱动先验模型，随后将其与所研究结构构件的机理模型耦合以进行输入-状态估计。在此任务中使用高斯过程回归克服了传统随机游走模型的局限性，从而限制了此类数据同化方法对离线用户相关标定的需求。本文提出在结构动力学的高斯过程回归中使用替代协方差函数。给出了与所研究协方差函数相关的GPLFM理论分析。本研究结果为每种协方差类型在基于高斯过程的输入-状态估计中的适用性提供了见解。所提框架通过一个说明性仿真示例（即承受一系列不同载荷场景的3自由度系统）进行了验证。此外，该方法在3D打印缩比风力机叶片测试期间的联合输入-状态估计任务上进行了实验评估。
引用
@article{arxiv.2306.16302,
title = {Assessment of alternative covariance functions for joint input-state estimation via Gaussian Process latent force models in structural dynamics},
author = {Silvia Vettori and Emilio Di Lorenzo and Bart Peeters and Eleni Chatzi},
journal= {arXiv preprint arXiv:2306.16302},
year = {2023}
}