首页> 外文OA文献 >Structural damage diagnosis based on stochastic subspace identification, Kalman model, and principal component analysis.
【2h】

Structural damage diagnosis based on stochastic subspace identification, Kalman model, and principal component analysis.

机译:基于随机子空间识别,卡尔曼模型和主成分分析的结构损伤诊断。

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务,本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文,但由于OA文献来源多样且变更频繁,仍可能出现获取不到、文献不完整或与标题不符等情况,如果获取不到我们将提供退款服务。请知悉。

摘要

Cet article porte sur l’utilisation de techniques d’analyse de processus statistiques pour ladétection et la localisation d’endommagements structuraux à partir de mesures vibratoires. La première approche proposée dans ce travail se base sur la méthode d’identification des sous-espaces stochastiques pour construire un modèle de Kalman représentatif de l’état initial (de référence) de la structure. Ce modèle est alors utilisé pour réaliser une prédiction des réponses nouvellement mesurées. L’analyse statistique de l’erreur de reconstruction du modèle permet de définir un critère de détection de l’apparition d’un défaut. L’intérêt de cette méthode est que seule l’identification du moèle pour les données de référence est nécessaire. La détection de l’endommagement peut alors être effectuée de manière automatique par surveillance de la structure sans nécessiter de nouvelle identification. Dans la seconde approche, l’analyse en composantes principales des réponses est utilisée pour extraire les directions principales (les caractéristiques) permettant de définir un sous-espace représentatif du comportement dynamique de la structure. Le moindre changement dans la réponse d’un capteur affecte l’espace sous-tendu par l’ensemble de tous les capteurs. Par conséquent, la comparaison entre les sous-espaces correspondant respectivement à la structure saine et la structure actuelle (potentiellement endommagée) permet de détecter l’apparition éventuelle d’un endommagement. L’analyse en composantes principales peut également être réalisée surun sous-ensemble de capteurs dans le but de localiser le(s) capteur(s) responsable(s) de l’apparition du défaut, et par conséquent, la sous-structure endommagée.
机译:本文重点介绍使用统计过程分析技术来检测和定位振动测量引起的结构损伤。在这项工作中提出的第一种方法是基于识别随机子空间的方法,以建立代表结构初始(参考)状态的卡尔曼模型。然后使用该模型对新测量的响应进行预测。对模型重建错误的统计分析使得可以定义用于检测缺陷外观的标准。该方法的优点是仅需要识别参考数据的骨髓。然后可以通过监视结构自动进行损坏的检测,而无需重新识别。在第二种方法中,使用响应的主成分分析来提取主要方向(特征),从而可以定义代表结构动态行为的子空间。传感器响应的最微小变化都会影响所有传感器所占据的空间。因此,分别对应于健康结构和当前结构(潜在损坏)的子空间之间的比较使得可以检测损坏的可能出现。还可以在传感器的子集上执行主成分分析,以便找到负责故障外观以及因此造成损坏的子结构的传感器。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号