基于多保真度高斯过程模型的数据驱动结构状态估计

导波技术在结构健康监测 (SHM) 中被广泛使用。使用导波的模型可以从时间和频率域获取信息，以使其更加准确和稳健。当决策置信区间是感兴趣时，发展出能够考虑不确定性的概率SHM模型。大多数主动感知导波方法依赖于可以收集大数据集的假设，这在数据收集受到时间或环境限制时是不实用的。尽管模拟结果缺乏真实世界数据的准确性，但它们更容易获得。在这种情况下，集成来自多个来源的数据的模型有望在无需大量可能昂贵的实验数据集的情况下，结合实验数据的准确性和模拟数据的便利性。本工作的目标是引入和评估一种概率多保真度高斯过程回归框架，用于通过使用实验和模拟导波来进行损伤状态估计。与以往工作相比，主要区别在于从实验和数值来源提取损伤敏感特征 (损伤指数，DIs)，以及使用相对较少的真实世界数据。该模型通过两个测试案例进行了验证。在每个测试案例中，来自附加有各种结构条件的铝板上的压电传感器网络收集的实验数据，同时使用多物理场有限元模型 (FEM) 或基于物理的信号重建方法在相同条件下生成的模拟数据。