Damage detection in active-sensing, guided-waves-based Structural Health Monitoring (SHM) has evolved through multiple eras of development during the past decades. Nevertheless, there still exists a number of challenges facing the current state-of-the-art approaches, including low damage sensitivity, lack of robustness to uncertainties, need for user-defined thresholds, and non-uniform response across a sensor network. In this work, a novel statistical framework is proposed for active-sensing SHM based on the use of ultrasonic guided waves. This framework is based on stochastic non-parametric time series models and their corresponding statistical properties in order to readily provide healthy confidence bounds and enable accurate and robust damage detection via the use of appropriate statistical decision making tests. Three such methods and corresponding statistical quantities along with decision making schemes are formulated and experimentally assessed via the use of three structural coupons: an Al plate with a growing notch, a Carbon fiber-reinforced plastic (CFRP) plate with added weights to simulate local damages, and the CFRP panel used in the Open Guided Waves project, all outfitted with piezoelectric transducers and a pitch-catch configuration. The performance of the proposed methods is compared to that of state-of-the-art time-domain damage indices. The results demonstrate the increased sensitivity and robustness of the proposed methods, with better tracking capability of damage evolution compared to conventional approaches, even for damage-non-intersecting actuator-sensor paths. Overall, the proposed statistics in this study promise greater damage sensitivity across different components, with enhanced robustness to uncertainties, as well as user-friendly application.


翻译:在过去几十年中,通过多个发展时代,在活跃的遥感、以导波为基础的结构健康监测(SHM)中发现损坏的情况发生了变化;然而,目前最先进的方法仍面临若干挑战,包括低损害敏感性、缺乏对不确定性的稳健性、需要用户界定阈值、传感器网络的不统一反应等,在这项工作中,提议以超声波引导波的使用为基础,为活跃的遥感SHM建立一个新的统计框架,这一框架的基础是无害的不对称时间序列模型及其相应的统计属性,以便通过使用适当的统计测试,提供健康的信任界限,并能够准确和有力地探测损坏情况;制定三种此类方法和相应的统计数量,同时制定决策性计划,并通过使用三种结构政变来进行实验性评估:一个日益高的Al板,一个碳纤维强化塑料板,增加模拟当地损害的重量;在公开引导波项目中使用的CFRP小组,所有这些部件都具备稳健的稳健的不确定性,从而能够通过适当的统计来进行准确性和稳健的发现损害情况; 与更强的固定的精确度应用相比,拟议破坏情况分析方法,以更强的破坏程度展示损害程度的破坏情况; 与更精确的计算方法,以更精确的计算方法,以更精确的破坏情况为比较。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
28+阅读 · 2020年11月4日
[综述]深度学习下的场景文本检测与识别
专知会员服务
76+阅读 · 2019年10月10日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
异常检测论文大列表:方法、应用、综述
专知
125+阅读 · 2019年7月15日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
时序数据异常检测工具/数据集大列表
极市平台
65+阅读 · 2019年2月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
15+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年3月21日
Arxiv
0+阅读 · 2021年3月20日
Arxiv
18+阅读 · 2021年3月16日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
异常检测论文大列表:方法、应用、综述
专知
125+阅读 · 2019年7月15日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
时序数据异常检测工具/数据集大列表
极市平台
65+阅读 · 2019年2月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
15+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员