構造健全性監視（SHM）とは、工学構造の損傷検出と特性化戦略を実施するプロセスを指します。ここで、損傷とは、システムの性能に悪影響を与える境界条件やシステム接続性の変更を含む、構造システムの材料および/または幾何学的特性の変化として定義されます。 SHMプロセスは、センサのアレイからの周期的にサンプリングされた動的応答測定値、これらの測定値からの損傷感知特徴の抽出、およびこれらの特徴の統計分析を使用して、システムの現在の状態を決定する経時的なシステムの観察を含む。長期的なSHMについては、このプロセスの出力は、動作環境に起因する避けられない経年変化および劣化に照らして、意図された機能を実行する構造の能力に関する情報が定期的に更新される。地震や爆風などの極端な事態の後、SHMは迅速な状態のスクリーニングに使用され、ほぼリアルタイムで構造の完全性に関する信頼できる情報を提供することを目指しています。インフラストラクチャーの検査は、長期的な被害蓄積と極端な事象シナリオの両方に関して公共の安全に重要な役割を果たす。エンジニアリングや科学の多くの分野を変革するデータ駆動型技術の急速な発展の一環として、機械学習やコンピュータビジョン技術では、検査環境での明確なアプリケーションを持つ画像データのパターンの信頼性の高い診断と分類がますます可能になっています。
前書き
定性的および非連続的な方法は、意図された目的を果たす能力について構造体を評価するために長い間使用されてきた。 19世紀初頭から、鉄道車輪タペーサーは、損傷が存在するかどうかを評価するために電車に当たるハンマーの音を使用しました。回転機械では、性能評価技術として振動モニタリングが数十年間使用されてきた。 SHMの分野における2つの技術は、波伝搬に基づく技術RaghavanとCesnikと振動に基づく技術である。概して、振動に基づくSHMの文献は、2つの側面に分けることができる。最初のモデルは、例えば、直接的な問題として知られている動的特性を決定するために損傷のために提案されている。たとえば、Unified Framework、逆問題としても知られている損傷特性、例えば参照を決定するために使用される。過去10年から15年の間に、SHM技術は、工学の様々な部門内でエキサイティングな新しい分野を創出しています。この期間中、特にSHMに焦点を当てた学術会議や学術雑誌が設立されました。これらの技術は、ますます一般的になりつつあります。
統計的パターン認識
SHM問題は、統計的パターン認識パラダイムの文脈で対処することができる。このパラダイムは、（1）運用評価、（2）データ取得とクレンジング、（3）特徴抽出とデータ圧縮、（4）地物差別のための統計モデル開発の4つに分けることができる。このパラダイムを現実世界の構造からのデータに適用しようとすると、データの浄化、圧縮、正規化、およびヒューズによる操作上および環境上の変動を考慮する能力は、この2-4項パラダイム。これらのプロセスは、ハードウェアまたはソフトウェアによって実装することができ、一般に、これらの2つのアプローチのいくつかの組み合わせが使用されます。
橋梁、建物およびその他の関連インフラストラクチャの設計された構造の健全性評価
一般的に構造健全性評価（SHA）またはSHMとして知られているこのコンセプトは、世界中の国が橋から高層ビルに至るさまざまなインフラストラクチャの建設期間をさらに伸ばすなど、さまざまなインフラストラクチャに幅広く適用されます。特に構造物の損傷が懸念される場合は、前の段階の知識を必要とする難易度が増す段階があることに注意することが重要です。
構造上の損傷の存在を検出する
被害の場所を特定する
被害の種類の特定
被害の重症度を定量化する
インフラストラクチャーの健康状態のセンサーデータを評価のための損傷情報に変換するためには、信号処理と統計的分類を使用する必要があります。
運用評価
運用評価では、被害把握能力の実装に関する4つの質問に答える試みがなされている。
i）SHMを実施するための生命安全性および/または経済的正当性は何か？
ii）どのようにシステムが調査されているのか、複数の損傷の可能性についてどのように定義されているのか？
iii）監視対象システムが機能するための、運用上および環境上の条件は何か？
iv）運用環境でデータを取得する際の制限は何ですか？
運用評価では、監視対象と監視方法の制限を設定し始めます。この評価では、監視対象のシステムに固有の機能に損傷識別プロセスを調整し、検出される損傷の固有の機能を利用しようとします。
データ取得、正規化、クレンジング
SHMプロセスのデータ取得部分は、励起方法、センサタイプ、数および位置、およびデータ取得/記憶/伝送ハードウェアの選択を含む。ここでも、このプロセスはアプリケーション固有のものになります。経済的配慮がこれらの決定を下すのに重要な役割を果たすでしょう。データを収集すべき間隔は、別の考慮事項である。
データは様々な条件下で測定することができるため、データを正規化する能力は損傷特定プロセスにとって非常に重要になります。 SHMに適用されるように、データ正規化は、変化した動作環境条件および環境条件によって引き起こされる損傷からのセンサ読み取りの変化を分離するプロセスです。最も一般的な手順の1つは、測定された入力によって測定された応答を正規化することです。環境的または運用上の変動性が問題となる場合、環境または運用サイクルの同様の時期に測定されたデータの比較を容易にするために、データをある時間的に正規化する必要が生じる可能性があります。データ取得プロセスおよび監視されるシステムのばらつき要因は、可能な限り特定し、最小限に抑える必要があります。一般的に、変動要因のすべてを排除することはできません。したがって、これらの情報源が統計的に定量化されるように適切な測定を行うことが必要である。変動は、環境および試験条件の変化、データ削減プロセスの変化、およびユニット間の不一致から生じる可能性があります。
データクレンジングは、フィーチャ選択プロセスに渡すか、またはフィーチャ選択プロセスから拒否するデータを選択して選択するプロセスです。データクレンジングプロセスは、通常、データ収集に直接関与する個人によって得られた知識に基づいています。一例として、テストセットアップの検査は、センサが緩く取り付けられていることを示し、したがって、測定を行う個人の判断に基づいて、このデータセットまたはその特定のセンサからのデータが、機能選択プロセス。フィルタリングやリサンプリングなどの信号処理技術は、データクレンジング手順と考えることもできます。
最後に、SHMプロセスのデータ取得、正規化、およびクレンジングの部分は静的であってはならない。機能選択プロセスと統計モデル開発プロセスから得られた知見は、データ取得プロセスを改善する可能性のある変更に関する情報を提供します。
特徴抽出とデータ圧縮
技術文献で最も注目されているSHMプロセスの領域は、損傷していない構造と損傷した構造を区別できるデータ機能の識別です。この機能選択プロセスには、データの凝縮があります。ダメージ同定のための最良の機能は、アプリケーション固有です。
最も一般的な特徴抽出方法の1つは、劣化システムの直接観察を用いて、振動振幅または周波数などの測定されたシステム応答量を相関させることに基づいている。損傷の識別のための機能を開発するもう1つの方法は、実際の動作状態で予想されるものと同様の工学的な欠陥をシステムに適用し、予想される損傷に敏感なパラメータの初期理解を開発することです。欠陥のあるシステムは、診断測定値が、損傷を受けていないシステムと損傷したシステムから特定されたフィーチャーを区別するのに十分に敏感であることを検証するためにも使用できます。実験的に検証された有限要素モデルなどの解析ツールの使用は、このプロセスで大きな資産になる可能性があります。多くの場合、解析ツールを使用して、コンピュータシミュレーションによって欠陥が導入された数値実験が実行されます。研究中のシステムの重要な構造要素が現実的な荷重条件に晒されることによって劣化する損傷蓄積試験もまた、適切な特徴を識別するために使用することができる。このプロセスには、誘発損傷試験、疲労試験、腐食成長、またはある種の損傷を加速させるための温度サイクリングが含まれる場合があります。適切な特徴についての洞察は、上記のようないくつかのタイプの分析的および実験的研究から得られ、通常、これらの研究のいくつかの組み合わせから得られた情報の結果である。
SHMを実行するために必要な運用実装と診断測定技術は、従来の構造動態情報の使用よりも多くのデータを生成します。データの凝縮は、構造の存続期間にわたって得られた多くの特徴セットの比較が想定される場合に有利であり、必要である。また、データは長期間にわたって、また運用環境下で構造から取得されるため、環境的および運用上の変動性が存在する場合に、構造的な変化にフィーチャ感度を保持するために堅牢なデータ削減技術を開発する必要があります。 SHMを実行するために必要な品質データの抽出と記録をさらに支援するためには、特徴の統計的有意性を特徴づけて凝縮プロセスで使用する必要があります。
統計モデル開発
技術文献中で最も注意を払わなかったSHMプロセスの部分は、損傷を受けていない構造と損傷した構造の特徴を区別するための統計モデルの開発です。統計的モデル開発は、構造の損傷状態を定量化するために抽出された特徴を操作するアルゴリズムの実施に関係する。統計モデル開発で使用されるアルゴリズムは、通常、3つのカテゴリに分類されます。損傷していない構造と損傷した構造の両方からデータが得られると、統計的パターン認識アルゴリズムは、教師あり学習と呼ばれる一般的な分類に分類される。グループ分類および回帰分析は、教師付き学習アルゴリズムのカテゴリである。教師なし学習とは、損傷した構造からの例を含まないデータに適用されるアルゴリズムのことです。外れ値または新規性の検出は、教師なし学習アプリケーションに適用される主要なクラスのアルゴリズムです。すべてのアルゴリズムは、測定または誘導されたフィーチャの統計的分布を分析して、損傷識別プロセスを強化する。
基本公理
この20年の間にSHMで開発された広範な文献に基づいて、この分野はいくつかの基本的な公理、または一般原則が現れた時点まで成熟したと主張することができる。公理は以下の通りです：
公理I：すべての材料には固有の欠陥や欠陥があります。
公理II：被害の評価には、2つのシステム状態の比較が必要です。
公理III：損傷の存在と位置の特定は教師なし学習モードで行うことができるが、存在する損傷の種類と損傷の重大性を特定することは、一般に教師あり学習モードでのみ行うことができる。
公理IVa：センサーは損傷を測定することはできません。センサデータを損傷情報に変換するには、信号処理と統計的分類によるフィーチャ抽出が必要です。
公理IVb：インテリジェントなフィーチャ抽出がなければ、測定値がより敏感になると損傷することになりますが、操作や環境条件の変化に対してより敏感です。
公理V：損傷の開始および進展に関連する長さおよび時間スケールは、SHM検出システムの要求される特性を決定する。
公理VI：アルゴリズムの損傷に対する感度とノイズ除去能力の間にはトレードオフがあります。
公理VII：システムダイナミクスの変化から検出できる損傷の大きさは、励起の周波数範囲に反比例する。