基于高斯过程回归的主动感知概率结构健康监测：跨多种损伤与载荷场景的实验评估
信号处理
2025-05-05 v1 应用统计
机器学习
摘要
在不久的将来，结构健康监测（SHM）技术将能够克服当前维护与生命周期管理范式中的缺陷，即：成本高、停机时间增加、安全性管理范式欠佳以及全自主操作适用性有限。在SHM背景下，最具挑战性的任务之一是损伤量化。当前方法在变化的运行与环境条件下面临准确性和/或鲁棒性问题。此外，当前框架的损伤/无损伤范式无法为现场维护人员提供充分信息以进行恰当决策。本研究提出一种基于广泛使用损伤指标（DIs）与高斯过程回归模型（GPRMs）的新型结构损伤量化框架。其新颖性在于计算 incoming 测试DI点源自特定状态的概率，从而实现基于概率的明智决策。该框架应用于三个测试案例：带附加配重作为模拟损伤的碳纤维增强塑料（CFRP）试样、带缺口的铝试样，以及在不同载荷状态下带附加配重作为模拟损伤的铝试样。本文所述状态预测方法应用于前两个测试案例的单状态量化，以及假设载荷状态已知的第三个案例。最后，所提方法应用于第三个测试案例，假设损伤尺寸与载荷均未知，以从 incoming DI测试点同时预测二者。在应用该框架时，使用了两种形式的GPRMs（标准与变分异方差）以针对三个测试案例严格评估其性能。
引用
@article{arxiv.2106.14841,
title = {Gaussian Process Regression for Active Sensing Probabilistic Structural Health Monitoring: Experimental Assessment Across Multiple Damage and Loading Scenarios},
author = {Ahmad Amer and Fotis Kopsaftopoulos},
journal= {arXiv preprint arXiv:2106.14841},
year = {2025}
}
备注
47 pages, 34 figures