A unified framework for automated diagnosis and prognosis of structures based on surrogate modelling and a particle filter

The aim of this thesis is to develop an integrated Prognostic Health Monitoring system, able to manage simultaneously the diagnostic and prognostic phases. The design of a structural monitoring system implies to define a strategy for managing the information coming from permanently installed sensors. The identification of damage parameters (e.g. damage position and its extent) or the estimation of damage evolution model parameters from the observation of damage dependent features requires the solution of inverse problems. Bayesian approaches have proven to be successful for inverse problem solution, by the evaluation of the posterior distribution of a vector of parameters of interest, conditioned on the observations of some signal features, which relies on the direct calculation of the observations likelihood. Unfortunately, for realistic structures, the evaluation of each sample likelihood necessitates to run a computationally expensive numerical model, making the procedure not compatible with a real-time application. In this work, this problem is solved by leveraging on surrogate modelling. Particle filter has been used in this thesis as Bayesian inference tool for the health state estimation and prognosis of structures affected by fatigue crack growth process, leveraging on strain data acquired from sensors. A surrogate model consisting of an artificial neural network, trained on a simulated data set, is used to predict the strain as a function of the crack position and length. It substitutes the computationally-demanding numerical model, allowing for a faster progression of the iterations. Starting from the application of the algorithm to a simplified version of a stiffened aeronautic panel, the scheme has been progressively improved, exploiting also the finite element modelling, up to the final version whose performances have been tested on a real fatigue crack growth process, taking advantage from the experimental activity on the real structure, representative of the rear-fuselage of a medium-heavy weight helicopter.

Lo scopo di questa tesi è quello di sviluppare un sistema integrato di Prognostic Health Monitoring, capace di gestire contemporaneamente la fase di diagnostica e prognostica. La progettazione di un sistema di monitoraggio strutturale presuppone la definizione di una strategia per gestire le informazioni provenienti da sensori, installati sulla struttura in maniera permanente. L’identificazione di parametri relativi al danneggiamento (per esempio: posizione e estensione del danno) o relativi al modello che simula l’evoluzione del danno, tramite osservazione di aspetti dipendenti dal danno stesso, richiede la soluzione di problemi inversi. Approcci di tipo bayesiano hanno dimostrato di essere in grado di risolvere il problema inverso, attraverso la valutazione della distribuzione probabilistica a posteriori di un vettore di parametri di interesse, condizionata dall’osservazione di un aspetto del sistema, che si affida al calcolo diretto del parametro di verosimiglianza dell’osservazione. Tuttavia, nel caso di strutture realistiche, la valutazione di tale parametro necessita di dover richiamare un modello numerico, dispendioso dal punto di vista computazionale, per ogni tentativo di stima dei parametri del sistema, rendendo così infattibile l’applicazione in tempo reale della procedura. In questo lavoro di tesi, il problema viene risolto attraverso l’utilizzo di modelli surrogati. Il particle filter (o filtro a particelle) è stato usato in questa tesi come strumento di inferenza bayesiana per la stima dello stato di salute e la prognosi di strutture colpite dal problema della propagazione di cricche per fatica, sfruttando dati relativi alla deformazione acquisiti dai sensori. Viene usato un modello surrogato costituito da una rete neurale artificiale, allenata tramite esempi simulati di comportamento della struttura, per predire le deformazioni in funzione della posizione e lunghezza di cricca. Esso sostituisce il modello numerico, oneroso dal punto di vista computazionale, permettendo una più veloce progressione delle iterazioni. Partendo dall’applicazione dell’algoritmo su una versione semplificata di un pannello aeronautico rafforzato, esso è stato migliorato progressivamente, sfruttando anche la tecnica di modellizzazione a elementi finiti, fino alla sua versione finale, le cui performances sono state testate su un caso di propagazione di cricca per fatica, sfruttando l’attività sperimentale relativa ad una struttura reale, rappresentativa della fusoliera posteriore di un elicottero di medie dimensioni.