Advances in Wireless Damage Detection for Structural Health Monitoring
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2014-06-18
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Major/Subject
Mcode
Degree programme
Language
en
Pages
102 + app. 80
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 80/2014
Abstract
One of the fundamental tasks in structural health monitoring is to extract relevant information about a structure, such as a bridge or a crane, and reach statistical decisions about the existence of damages in the structure. Recent advances in wireless sensor network technology has offered new possibilities for acquiring and processing structural health monitoring data automatically. The purpose of this dissertation is to explore various data processing methods for detecting previously unobserved deviation in measurements from accelerometer sensors, based on natural vibration of structures. Part of the processing is projected to be performed on resource constrained wireless sensors to ultimately reduce the cost of measurements. Data processing in the proposed detection systems is divided into following general stages: feature extraction, dimensionality reduction, novelty detection, and performance assessment. Several methods in each of the stages are proposed and benchmarked in offline experiments with multiple accelerometer data sets. The methods include, for example, the Goertzel algorithm, random projection, tensor decomposition, collaborative filtering, nearest neighbor classification, and evaluating detection accuracy in terms of receiver operating characteristic curves. Significant reductions are achieved in the amount of data transmitted from sensors and input to statistical classifiers, while maintaining some of the classification accuracy. However, the sensitivity and specificity in detection are worse than those of centralized methods operating on raw sensor data. The work proposed and evaluated several combinations of data processing stages for wireless damage detection. While better than random detection accuracy can be achieved with very small amount of data per accelerometer sensor, challenges remain in reaching specificity required in practical applications. Eräs rakenteiden kunnonvalvonnan keskeisistä tehtävistä on tuottaa merkityksellistä informaatiota rakenteesta, kuten sillasta tai nostokurjesta, ja tehdä tilastollisia päätelmiä mahdollisten vaurioiden olemassaolosta. Langattomien anturiverkkojen tekniikan kehitys on tarjonnut uusia mahdollisuuksia rakenteiden kunnonvalvontaan liittyvän tiedon automaattiseen mittaamiseen ja käsittelemiseen. Tämän väitöskirjan tarkoituksena on tarkastella erilaisia tiedonkäsittelymenetelmiä aiemmin havaitsemattomien poikkeamien ilmaisemiseen kiihtyvyysanturimittauksissa, rakenteiden luonnolliseen värähtelyyn perustuen. Osa käsittelystä on suunniteltu suoritettavaksi resurssirajoitetuissa langattomissa antureissa, tavoitteena vähentää mittausten kustannuksia. Ehdotettujen ilmaisujärjestelmien tiedonkäsittely on jaettu seuraaviin yleisen tason vaiheisiin: piirreirrotus, ulotteisuuden vähentäminen, poikkeavuuden ilmaisu ja suorituskyvyn arviointi. Useita kullekin vaiheelle ehdotettuja menetelmiä vertaillaan keskitettyinä eräajoina suoritetuissa kokeissa usealla kiihtyvyysanturiaineistolla. Menetelminä ovat mm. Goertzelin algoritmi, satunnaisprojektiot, tensorihajotelma, yhteisöllinen suodatus, lähimmän naapurin luokittelu ja ilmaisutarkkuuden arviointi toimintaominaiskäyrien avulla. Antureilta lähetetyn ja tilastollisille luokittimille syötetyn datan määrässä saavutetaan merkittäviä säästöjä, säilyttäen samalla osa luokittelutarkkuudesta. Vertailussa täysin keskitettyihin, anturiverkossa käsittelemättömään tietoon perustuviin menetelmiin nähden, ilmaisun herkkyys ja spesifisyys kuitenkin heikkenee. Työssä on ehdotettu ja arvioitu useita langattoman vaurionilmaisun tiedonkäsittelyvaiheiden yhdistelmiä. Satunnaista ilmaisua parempi tarkkuus on saavutettavissa hyvinkin pienellä määrällä mittauksia kiihtyvyysanturia kohden, mutta käytännön sovelluksien vaatiman spesifisyyden saavuttaminen jää haasteeksi.Description
Supervising professor
Rousu, Juho, Prof., Aalto University, Department of Information and Computer Science, FinlandThesis advisor
Hollmén, Jaakko, Dr., Aalto University, Department of Information and Computer Science, FinlandOther note
Parts
- [Publication 1]: Janne Toivola and Jaakko Hollmen. Feature Extraction and Selection from Vibration Measurements for Structural Health Monitoring. In Advances in Intelligent Data Analysis VIII, Lecture Notes in Computer Science 5772:213–224, Springer, August 2009. DOI 10.1007/978-3-642-03915-7_19
- [Publication 2]: Janne Toivola, Miguel A. Prada, and Jaakko Hollmen. Novelty Detection in Projected Spaces for Structural Health Monitoring. In Advances in Intelligent Data Analysis IX, Lecture Notes in Computer Science 6056:208–219, Springer, May 2010. DOI 10.1007/978-3-642-13062-5_20
-
[Publication 3]: Miguel A. Prada, Janne Toivola, Jyrki Kullaa, and Jaakko Hollmen. Three-way analysis of structural health monitoring data. Neurocomputing, 80:119–128, Elsevier, March 2012.
DOI: 10.1016/j.neucom.2011.07.030 View at publisher
-
[Publication 4]: Janne Toivola and Jaakko Hollmen. Collaborative Filtering for Coordinated Monitoring in Sensor Networks. In ICDMW 2011 11th IEEE International Conference on Data Mining Workshops, pages 987–994, IEEE, December 2011.
DOI: 10.1109/ICDMW.2011.50 View at publisher
- [Publication 5]: Janne Toivola, Jyrki Kullaa, and Jaakko Hollmen. Evaluation Criteria for Energy EfficientWireless Damage Detection. Submitted to a journal, 3rd Dec. 2012 .