Latent variable models for simultaneous EOV identification and removal in population-based SHM
Di cosa parla
Si affronta il problema di separare e rimuovere dalle misure la variabilità ambientale e operativa non misurata (cioè i cambiamenti dovuti a temperatura o condizioni di utilizzo) che può nascondere o imitare danni nelle strutture. Propongono di trattare quella variabilità come un segnale nascosto che evolve lentamente nel tempo e di identificarlo con un modello statistico che lavora a livello di gruppo di strutture, ottenendo dati «ripuliti» più sensibili al danneggiamento; il metodo viene testato su un esperimento di laboratorio e su una simulazione di parco eolico.
Cosa permette di osservare
Consente di esplorare se è più efficace individuare e togliere le variazioni lente condivise tra più impianti invece di scartare parti dei dati, e se questa scelta migliora la capacità di distinguere danno reale da variazioni ambientali.
Dalla fonte
The robust treatment of environmental and operational variability (EOV) is an open challenge in population-based structural health monitoring (PBSHM). The difficulty is compounded in the case that the EOV signals are unmeasured. A common approach in conventional SHM is to apply \emph{projection-based} methods that discard subspaces of healthy feature data, reasoning that the EOV signal dominates the variance of the measured features. However, a common pitfall of projection-based approaches is that when damage acts close to the same variance-dominant direction, damage sensitivity is removed along with the EOV. An alternative identifying assumption for the removal of particular unmeasured EOVs is slowness; the latent EOV process is characterised by its long temporal correlation. In this paper, the latent EOV is cast as a state-space Gaussian process, enabling tractable $\mathcal{O}(T)$ in…