Robust statistical methods for vibration-based system identification and damage diagnosis - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Habilitation À Diriger Des Recherches Year : 2023

Robust statistical methods for vibration-based system identification and damage diagnosis

Abstract

Vibration-based structural health monitoring (SHM) of engineering structures like bridges, buildings or wind turbines in operation has the objective to ensure their serviceability and to prevent failure due to damage. It can be based on the analysis of a linear system from measured vibration data over time, where system identification methods are required to obtain the structural dynamical characteristics from data, and fault diagnosis is used to detect, locate and quantify changes in the system. Challenges for data processing are limited noisy measurements under unknown ambient excitation, high model orders, and linking data to (imperfect) physical models. In this work, the robustness of methods under realistic application conditions is considered, by evaluating and incorporating statistical uncertainty, improving numerical efficiency and removing nuisance, with the overall goal of developing automated SHM methods. After focusing on efficient subspace-based identification methods for diverse operational modal analysis problems, a consistent and numerically efficient framework for the associated uncertainty quantification is developed. Then, a focus is made on statistical damage diagnosis, where robust method development enables real-world applications. Finally, a framework to analyze detectability and localizability is established for the considered class of methods, allowing further reliability assessment and SHM performance prediction.
La surveillance de l’intégrité des structures (Structural Health Monitoring, SHM) des ouvrages d'art tels que les ponts, les bâtiments ou les éoliennes a pour objectif de garantir leur bon fonctionnement et de prévenir les défaillances dues à l’usure ou aux endommagements au cours du temps. Elle peut être basée sur l'analyse d'un système linéaire à partir de données vibratoires mesurées. Les méthodes d'identification des systèmes sont nécessaires pour obtenir les caractéristiques dynamiques à partir des données, et les méthodes de diagnostic des défauts sont utilisées pour détecter, localiser et quantifier les changements dans le système. Les défis pour le traitement des données sont, notamment, que les mesures sont limitées et bruitées, l’excitation est souvent inconnue, les ordres de modèle sont élevés, et le lien entre données et modèles physiques (imparfaits) est nécessaire pour un diagnostic avancé. Dans ces travaux, la robustesse des méthodes dans des conditions d'application réalistes est étudiée, en évaluant et en incorporant l'incertitude statistique, en améliorant l'efficacité numérique et en traitant les nuisances, dans le but général de développer des méthodes SHM automatisées. Après s'être focalisé sur les méthodes d'identification sous-espace efficaces pour divers problèmes d'analyse modale opérationnelle, une méthodologie numériquement efficace pour la quantification de l'incertitude associée est développée. Ensuite, l'accent est mis sur le diagnostic statistique des endommagements, où le développement de méthodes robustes permet de considérer des applications réalistes. Enfin, une méthodologie pour l'analyse de la détectabilité et de la localisabilité est établie pour la classe de méthodes considérée, ce qui permet l'évaluation de la fiabilité et la prédiction des performances SHM.
Fichier principal
Vignette du fichier
habilitation Michael Döhler.pdf (4.08 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

tel-04396972 , version 1 (16-01-2024)

Licence

Attribution

Identifiers

  • HAL Id : tel-04396972 , version 1

Cite

Michael Döhler. Robust statistical methods for vibration-based system identification and damage diagnosis. Dynamique, vibrations. Université de Rennes, 2023. ⟨tel-04396972⟩
34 View
24 Download

Share

Gmail Facebook X LinkedIn More