A data-driven damage detection strategy for structural health monitoring under environmental and operational variability

In the field of structural health monitoring (SHM), special care has been put in the context of vibration-based methods since measurable changes in modal parameters can be believed to be linked to changes in the physical properties caused by damage. However, environmental and operational variations (such as temperature, traffic in the case of infrastructures, etc.) greatly hinder the detection of damage, as the more sensitive a measurement is to damage, the more sensitive it is to those variations. The innovation of this work sees the development and validation of a new data-driven unsupervised strategy able to detect damage on real structures subjected to real, i.e. not simulated, environmental and operational variations. The strategy proposed sees the application of an autoregressive model to describe the evolution of the structural behaviour, followed by the use of principal component analysis (PCA) and Mahalanobis squared distance test. PCA, as method able to sort the variables present in the data by their level of variation, is used to eliminate those variables which have been verified to be representative of the environmental and operational variations, and therefore to give more visibility to the ones that are more likely related to the presence of damage. While, the Mahalanobis distance test, as method able to identify outliers, is used to measure damage. Five different structural conditions of health have been investigated. Results show an effective detection of damage as long as the sensor is kept at an adequate distance from the boundaries and damage produces a variability at least around 2% in the fundamental natural frequencies of the system analysed. The strategy results also efficient in giving an idea about the intensity of damage. Regarding future developments, this damage detection strategy could be improved trough the availability of a longer acquisition period linked to the healthy state of the structure, so that the Mahalanobis distance test can have a reference which include a greater set of normal conditions of the structure.

Nel campo del monitoraggio strutturale (SHM), particolare attenzione è posta nel contesto di metodi basati sulle vibrazioni. Si ritiene infatti che cambiamenti letti nei parametri modali siano collegabili a cambiamenti riguardanti le proprietà fisiche della struttura dovute alla presenza di danno. L’individuazione del danno è tuttavia fortemente ostacolata dalle variazioni ambientali e operative (come la temperatura, il traffico nel caso di infrastrutture, ecc.) dal momento che più una misura è sensibile al danno, tanto più lo è a queste variazioni. L'innovazione di questo lavoro vede lo sviluppo e la validazione di una nuova strategia in grado di individuare il danno su strutture reali, soggette a variazioni ambientali e operative reali, cioè non simulate. La strategia proposta prevede l'applicazione di un modello auto regressivo per descrivere l'evoluzione del comportamento strutturale, seguito dall'uso della PCA (Principal Component Analysis) e della distanza di Mahalanobis. La PCA, capace di ordinare le variabili presenti nei dati in base al loro livello di variabilità, viene usata per eliminare quelle variabili che sono state verificate essere identificative delle variazioni ambientali ed operative; dunque per dare più visibilità alle variabili più probabilmente legate alla presenza di danno. La Mahalanobis, invece, quale metodo atto all’ identificazione di valori anomali, viene utilizzato per misurare il danno. Sono state studiate cinque diverse condizioni strutturali. I risultati mostrano un'efficace identificazione del danno a patto che il sensore sia tenuto ad una distanza adeguata dai vincoli e che il danno produca una variazione nella frequenza naturale del sistema almeno intorno al 2%. La strategia risulta inoltre efficace nel fornire un'idea dell'intensità del danno. Per quanto riguarda gli sviluppi futuri, la strategia potrebbe essere migliorata attraverso la presenza di un data set relativo alla condizione sana della struttura più completo, ovvero più ricco di condizioni da reputare normali, così che il test di Mahalanobis non legga le variazioni strutturali legate a variazioni cicliche (come la temperatura) quali situazioni anomale.