Model-based structural damage identification using vibration measurements

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Bossuyt, Sven, Assoc. Prof., Aalto University, Department of Engineering Design and Production, Finland
dc.contributor.author Huhtala, Antti
dc.date.accessioned 2015-03-03T10:00:39Z
dc.date.available 2015-03-03T10:00:39Z
dc.date.issued 2015
dc.identifier.isbn 978-952-60-6109-2 (electronic)
dc.identifier.isbn 978-952-60-6110-8 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/15254
dc.description.abstract In structural health monitoring (SHM), a structure is continuously monitored with a set of embedded sensors. Damage identification is the part of a SHM system, in which the damage state of the structure is determined from obtained measurements. More specifically, the presence of damage is detected, and its location and severity are estimated. Even if the measured quantities are known to be sensitive to damage, the reconstruction of damage from the measurement is generally not well-posed, since significantly different damage states may still produce similar measurement results. Damage identification is thus an inverse problem. In this thesis, a model-based approach using vibration measurements is taken. The vibration of the structure is measured using several sensors, which can be for instance strain gauges, gyroscopes or accelerometers. A model of the structure, including a model of how the damage affects the structure and a model of the measurement sensors, is then used to simulate the measurements. Damage identification is achieved through finding a plausible damage state of the model which reproduces the actual measurements as simulated measurements. Most of the work in this thesis is on damage identification using Bayesian inference, while taking the measurements as mode frequencies and mode shapes of the structure. A multivariate normal distributed noise term is included in the measurement model, which allows taking into account the measurement error and also a large part of the model error. The knowledge of plausible damage states is described using a prior distribution, which is merged with the information obtained through measurement using Bayesian inference. Other approaches to the damage identification problem are also discussed in the work. The Kalman filter can be used for damage identification by augmenting the state vector of the vibrating structure with parameters of the damage state. The state estimate then gives the damage parameters along with the other state components. While this approach is more sensitive to model errors, it could be used for real-time damage identification for a continuous assessment of the damage state. The method of sigma algebras on contour maps (SACOM) uses the same noise distribution as the Bayesian approach, and like the Bayesian approach also gives a probability distribution for the damage state. However, in this approach the distribution is obtained by mapping the noise distribution through the set-valued inverse of the structure model. Finally, a brief discussion is given on the possibility of formulating the damage identification problem as an inverse source problem. As the resulting problem is linear, it gives greater opportunity for a thorough mathematical analysis. en
dc.description.abstract Rakenteiden kunnonvalvonnassa rakennetta tarkkaillaan jatkuvasti siihen upotetuin anturein. Vauriontunnistus on rakenteiden kunnonvalvonnan osa, jossa rakenteen vauriotila päätellään mittauksista. Tarkemmin sanottuna vaurion läsnäolo tunnistetaan, ja sen paikka ja suuruus arvioidaan. Vaikka mitatun suureen tiedettäisiin olevan herkkä vauriolle, vaurion rekonstruointi mittauksesta ei yleisesti ole hyvin määrätty, koska moni merkittävästi toisistaan poikkeava vauriotila voi tuottaa hyvin samanlaisia mittaustuloksia. Vauriontunnistus on siis käänteisongelma. Tässä väitöstyössä otetaan mallipohjainen lähestymistapa käyttäen värähtelymittauksia. Rakenteen värähtelyä mitataan useilla antureilla, jotka voivat olla esimerkiksi venymäliuskoja, gyroskooppeja tai kiihtyvyysantureita. Rakenteen mallilla, joka sisältää mallit vaurion vaikutuksista sekä anturien toiminnasta, tuotetaan simuloituja mittauksia. Vauriontunnistus tehdään etsimällä uskottava vauriotila mallille siten, että sen tuottamat simuloidut mittaukset vastaavat todellisia mittauksia. Suurin osa työstä tässä väitöskirjassa käsittelee vauriontunnistusta käyttäen bayesiläistä päättelyä, kun mittaukset ovat rakenteen mooditaajuuksia ja -muotoja. Mittausmalliin lisätään monimuuttuja-normaalijakautunut kohinatermi, joka mahdollistaa mittavirheen sekä suuren osan mallivirhettä huomioon ottamisen. Tieto uskottavista vauriotiloista kirjoitetaan priorijakaumana, joka yhdistetään mittauksessa saatuun uuteen tietoon käyttäen bayesiläistä päättelyä. Työssä tarkastellaan myös muita lähestymistapoja ongelmaan. Kalman-suodinta voi käyttää vauriontunnistukseen lisäämällä värähtelevän rakenteen tilavektoriin vauriotilan muuttujat. Vauriotilan saa tällöin selville tila-arviosta muiden tilakomponenttien ohessa. Vaikka tämä lähestymistapa on herkempi mallivirheille, sitä voisi käyttää reaaliaikaisessa vauriontunnistuksessa jatkuvasti toimivana arviona vauriotilasta. Sigma-algebrat tasa-arvokuvauksilla -menetelmä (SACOM) käyttää samaa kohinajakaumaa kuin bayesiläinen lähestymistapa, ja kuten bayesiläinen lähestymistapa se myös antaa todennäköisyysjakauman vauriotilalle. Tässä lähestysmistavassa kuitenkin jakauma saadaan kuvaamalla kohinajakauma rakenteen mallin joukkoarvoisen käänteiskuvauksen läpi. Lopulta esitetään lyhyt tarkastelu mahdollisuudesta esittää vauriontunnistusongelma käänteislähdeongelmana. Koska tällä tavalla muodostuva ongelma on lineaarinen, sen matemaattiseen analyysiin on parempi mahdollisuus. fi
dc.format.extent 40 + app. 77
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 30/2015
dc.relation.haspart [Publication 1]: Antti Huhtala and Sven Bossuyt. A Bayesian approach to vibration based structural health monitoring with experimental verification. Journal of Structural Mechanics, 44(4):330–344, 2011.
dc.relation.haspart [Publication 2]: Antti Huhtala and Sven Bossuyt. Damage localization from vibration data using hierarchical a priori assumptions. Journal of Physics: Conference Series, 181:012088, 2009. DOI: 10.1088/1742-6596/181/1/012088
dc.relation.haspart [Publication 3]: Troy Butler, Antti Huhtala and Mika Juntunen. Quantifying uncertainty in material damage from vibrational data. Journal of Computational Physics, 283:414–435, 2015. DOI: doi:10.1016/j.jcp.2014.12.011
dc.relation.haspart [Publication 4]: Antti Huhtala, Sven Bossuyt and Antti Hannukainen. A priori error estimate of the finite element solution to a Poisson inverse source problem. Inverse Problems, 30:085007, 2014. DOI: 10.1088/0266-5611/30/8/085007
dc.subject.other Mathematics en
dc.subject.other Mechanical engineering en
dc.title Model-based structural damage identification using vibration measurements en
dc.title Mallipohjainen rakenteiden vauriontunnistus värähtelymittauksiin perustuen fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.contributor.school School of Science en
dc.contributor.department Matematiikan ja systeemianalyysin laitos fi
dc.contributor.department Department of Mathematics and Systems Analysis en
dc.subject.keyword structural health monitoring en
dc.subject.keyword damage identification en
dc.subject.keyword inverse problems en
dc.subject.keyword Bayesian inference en
dc.subject.keyword finite element method en
dc.subject.keyword rakenteiden kunnonvalvonta fi
dc.subject.keyword vauriontunnistus fi
dc.subject.keyword käänteisongelmat fi
dc.subject.keyword bayesiläinen päättely fi
dc.subject.keyword elementtimenetelmä fi
dc.identifier.urn URN:ISBN:978-952-60-6109-2
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Stenberg, Rolf, Prof., Aalto University, Department of Mathematics and Systems Analysis, Finland
dc.opn Kolehmainen, Ville, Assoc. Prof., University of Eastern Finland, Finland
dc.rev Egger, Herbert, Prof. Dr., Technische Universität Darmstadt, Germany
dc.rev Kauranne, Tuomo, Assoc. Prof., Lappeenranta University of Technology, Finland
dc.date.defence 2015-03-20


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account