贝叶斯多模型时间序列方法用于结构健康监测的序贯更新

《Data-Centric Engineering》:Bayesian multi-model time series approach for structural health monitoring with sequential updates

【字体: 大 中 小 】 时间:2026年07月09日 来源:Data-Centric Engineering 3.2

编辑推荐:

  尽管结构健康监测(Structural Health Monitoring, SHM)已被广泛研究,但其在实际应用中的可靠性仍受到显著的操作变异性的挑战,特别是当系统行为在操作模式之间离散变化时。此类方法通常依赖于基线比较;然而,在多操作模式下,基线分布到多个

  
尽管结构健康监测(Structural Health Monitoring, SHM)已被广泛研究,但其在实际应用中的可靠性仍受到显著的操作变异性的挑战,特别是当系统行为在操作模式之间离散变化时。此类方法通常依赖于基线比较;然而,在多操作模式下,基线分布到多个不同的区域,每个区域与特定模式相关。这种多基线行为使得异常可检测性复杂化,因为由操作条件变化引起的变异可能掩盖由结构退化引起的细微变化。该挑战在表现出模式依赖行为的系统中尤为突出,其中近似平稳条件之间的转换频繁发生且难以隔离。为了解决这一问题,研究人员提出了一种高效的概率多模型框架,其中每个操作模式由一个局部向量自回归(Vector Autoregressive, VAR)模型表示。采用贝叶斯公式显式地考虑参数不确定性,并实现序贯更新,使得模式模型能够在获得新数据时适应——这是早期阶段SHM的重要特征。新观测值通过边际似然与模式特定VAR模型的集合进行评估,从而评估与学习到的参考行为的统计一致性。持续低一致性被解释为异常指示,可能反映结构变化或逐渐退化。所提出的方法使用在多个操作模式下运行的船员转运船(Crew Transfer Vessel, CTV)上的齿轮箱振动数据进行演示。尽管早期阶段SHM固有的局限性和不确定性,该框架成功地在一致的操作条件下识别出与学习到的参考行为的偏差,展示了其在现实时变操作下用于SHM的潜力。
结构健康监测(Structural Health Monitoring, SHM)在确保结构可靠性和运行安全中日益重要,但实际应用面临操作变异性(Environmental and Operational Variability, EOV)的挑战,尤其是当系统在多个离散操作模式间切换时。传统方法依赖单一基线参考,在多模式条件下基线分散,操作条件变化可能掩盖结构退化引起的细微变化。现有显式方法(如回归模型)和隐式方法(如主成分分析,Principal Component Analysis, PCA)均受限于未知或不可测参数,且难以处理模式间离散变异性。为解决此问题,研究人员提出了一种贝叶斯多模型时间序列框架,用于振动基结构健康监测(Vibration-Based Structural Health Monitoring, VBSHM)。该框架将每个操作模式表示为局部向量自回归(Vector Autoregressive, VAR)模型,通过贝叶斯公式显式量化参数不确定性,并实现序贯更新,使模型能随新数据自适应调整。新观测数据通过边际似然与模式特定VAR模型比较,基于滑动窗口累积统计量检测异常,持续低一致性视为异常指示。该框架在船员转运船(Crew Transfer Vessel, CTV)齿轮箱振动数据上验证,将操作分为7个模式,使用17天数据建立参考,4天数据验证,并以维修后数据测试异常检测。结果表明,在稳定模式(如航行和等待)中检测性能优异(真阳性率高达99.4%),在港口操作等高变异性模式中受限。与传统全局参考方法(PCA+马氏距离)相比,多模型框架显著改进,传统方法仅检测到46.8%的异常且误报率达12.6%。该论文发表在《Data-Centric Engineering》上,为早期阶段VBSHM提供了自适应、数据高效的实用方案,尤其适用于关键操作参数不可用的情况。

**关键技术方法**:研究人员采用的主要方法包括:1) 向量自回归(Vector Autoregressive, VAR)模型,用于多通道时间序列的联合建模,捕捉通道间耦合动态;2) 贝叶斯公式,采用共轭先验(矩阵正态分布和逆威沙特分布)实现参数不确定性量化和解析后验更新,避免采样计算;3) 正则化序贯更新策略,引入遗忘因子(ηΣ=0.01, ηΘ=0.05)平衡新数据影响与历史信息,防止过拟合;4) 基于边际似然的模式分配与异常检测,通过滑动窗口累积统计量(J=60个5秒段)提高鲁棒性,阈值设为1%下尾分位数;5) 监督模式划分(基于日常进度报告,Daily Progress Report, DPR)或非监督模式识别。样本队列来源:CTV两个船体之一推进单元齿轮箱的振动数据,由三轴加速度计(MMF KS943B100)以5kHz采样,数据采集系统为DEWE-43A。参考数据来自1个月夏季17天操作(3×2,697,650,000维),测试数据包括4天无结构变化(3×486,733,301维)和维修后数据(3×499,266,354维),维修涉及驱动轴和螺旋桨更换。

**1. 引言**:该部分通过回顾文献指出,环境与操作变异性(Environmental and Operational Variability, EOV)是SHM的主要挑战,尤其是离散操作模式导致多基线分布,使异常检测复杂化。现有显式和隐式方法均存在局限性,如依赖可测参数或可能丢失损伤信息。因此,研究人员提出一种贝叶斯多模型框架,结合局部VAR模型和序贯更新,以应对多模式、参数不确定性和数据稀疏问题。

**2. 方法论**:该部分详细阐述了贝叶斯VAR模型的基本公式,包括共轭先验(矩阵正态和逆威沙特分布)下的解析后验更新(公式21-24),以及正则化序贯更新(遗忘因子ηΣ, ηΘ)。通过边际化参数Θ和Σw,得到封闭形式的边际似然(公式41),用于模式分配(最大边际似然,公式44)。异常检测基于滑动窗口累积边际似然(公式45),阈值由训练数据下尾分位数确定(公式46-47)。在多模型框架中,局部参考可通过监督(基于先验知识)或非监督(基于数据自动识别)方式定义。

**3. 案例研究:船员转运船(Crew Transfer Vessel, CTV)的SHM**:该部分将CTV操作划分为7个模式(泊位、港口机动、人员接送、航行、风电场机动、靠塔、等待),基于日常进度报告划分。利用17天数据建立局部参考,采用序贯更新和正则化(遗忘因子0.01和0.05),模型阶数na=20(基于BIC和RSS/SSS选择)。与传统方法(PCA+马氏距离)比较,传统方法在全局参考下误报12.6%的参考段,仅检测46.8%的维修后异常段,表明其局限性。

**4. 结构变化的检测**:该部分使用维修后数据测试框架。通过计算每个5秒段的最大边际似然并分配模式,在航行模式(模式4)中观察到显著偏差(边际似然从约-4.0×105降至-6.0×105),在等待模式(模式7)中也明显下降。基于累积统计量(滑动窗口60段,阈值1%分位数),模式4的真阴性率(True Negative Rate, TNR)和真阳性率(True Positive Rate, TPR)分别为95.5%和99.4%,模式7为99.7%和85.1%。模式5和6的TPR较低(48.1%和14.9%),而港口相关模式(1-3)的TPR为0%,表明高变异性掩盖了结构变化。

**5. 讨论**:该部分分析了结果,指出传统全局参考方法在多模式条件下无法有效分离操作变异性,而多模型框架通过局部参考显著改进。操作模式划分的局限性包括:模式内变异性(尤其在港口模式)、转换期间不精确记录、以及遗忘因子固定可能无法适应快速变化。未来方向包括引入自适应遗忘因子、非监督模式识别以细化分区,以及整合转速信息(如VARX模型)。尽管存在挑战,该框架在稳定模式中展现了高检测能力,为早期阶段SHM提供了实用方案。

**6. 结论**:该研究提出了一种贝叶斯多模型框架,有效解决了早期阶段VBSHM的关键挑战,特别是在数据稀疏和操作参数有限条件下。该框架在船员转运船(CTV)齿轮箱振动数据上测试,通过将操作划分为离散模式,利用贝叶斯序贯更新实现即时部署和持续改进。在航行模式(稳定操作)和等待模式(怠速)中,该框架以高置信度检测到由维修引起的结构变化,而在其他高变异性模式中检测受限。尽管存在变异性,该框架作为自适应、稳健的早期阶段VBSHM方案展示了良好前景,尤其在航行模式中,因其持续时间长且操作一致,适合触发报警。总体而言,该多模型框架为操作可分类为离散模式且关键参数不可用的系统,提供了数据高效、可增量学习、支持监督与非监督模式识别以及概率推理的新型实用策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号