On the development of a unified framework for load and structural health monitoring

Structural safety is a critical aspect in many engineering fields and applications, from large civil infrastructures to mechanical and aeronautical components. In the last years, many efforts have been put by scientific and industrial communities to develop a new framework for assessing structural integrity, generally known as Structural Health Monitoring (SHM). SHM should allow real-time, automatic evaluations of the structures' health state based on a network of permanently installed sensors, leading to considerable operative cost reductions and improved safety margins. However, several complications limit SHM systems and anomaly identification techniques implementations in the industry, and the variability of operational and environmental conditions is one of the most challenging. Operational loads can be naturally variable for many structures, e.g., the aerodynamic loads on aircraft wings, and are generally an unknown input variable in many engineering problems. Furthermore, the structure's mechanical behavior and the feature extraction from the recorded signals are markedly affected by the operational variability, potentially producing health misclassification. Consequently, the unknown, or un-modeled, variability of signal features might hamper the SHM system's ability to detect damage, potentially producing false alarms. This thesis addresses load variability in anomaly identification by exploiting load monitoring algorithms to reconstruct changes in the operational condition or to produce the desired output (e.g., strain field) automatically adapting to load variations. The aim is to define a unified framework to reconstruct the real external load spectra or the internal strain field in a structure and provide information about its actual health state. Load monitoring extension to anomaly identification considers that the algorithm, leveraging on a vector of input strain measures, always reconstructs a strain field compatible with the healthy structure geometry. If a geometrical modification not included in the model occurs, e.g., damage, it induces non-compatibility between measured and reconstructed strains in a test position near the damage. Two load monitoring algorithms are considered for testing the method numerically and experimentally, i.e., the inverse Finite Element Method (iFEM) and the Calibration Matrix Approach, modifying and enhancing the algorithms state of the art. The iFEM reconstructs the displacement and strain fields of a structure based on discrete strain measures without prior knowledge of the material and loads. An anomaly index is defined as the percentage difference between an equivalent strain read at a test sensor position and the corresponding iFEM reconstruction in the same position. The latter allows establishing a load-adaptive baseline based on the anomaly index, highlighting the actual health state independently from the applied load and without training requirements. The damage position can also be inferred considering multiple test positions. A plate subjected to multiple loads and cracks is considered for numerical verification. Even though the iFEM formulation is general for any arbitrary geometry and constraints, the definition of the correct boundary conditions is not trivial for structures subjected to non-ideal constraints. Thus, the linear boundary superimposition of the effects is proposed to weight the contribution of different basic models approaching the real structure’s behavior. Experimental verification is performed with a composite reinforced plate subjected to impact damage and compressive fatigue test, verifying the shape sensing reconstruction with non-ideal boundary conditions and multiaxial loading. Damage detection and localization of delaminations are also verified through a Mahalanobis distance, highlighting discrepancies with respect to the load-independent baseline. As logistic constraints impede strain sensor installation in all the desired locations, Smoothing Element Analysis (SEA) and polynomial fittings are investigated for pre-extrapolating the structure strain field. After a sensitivity analysis on the input strain pre-extrapolation, the iFEM displacement reconstruction is validated with three lasers' independent measurements of a composite plate subjected to a compressive buckling condition. The Calibration Matrix approach, on the other hand, estimates a set of loads from discrete strain measures through a "calibration" or "influence" matrix, and it is extended for inverse-direct estimation of the full strain-field, automatically compensating temperature variations. An “observability” metric is defined, allowing one to verify load and temperature estimations capability with different sensors grid before physical testing. The method is validated numerically and experimentally with a UAV experiencing different aerodynamic pressure fields. Experimental validation is performed in the laboratory on-ground and with real flight tests under varying flight maneuvers and environmental conditions. Damage development in the wing-winglet interface is also highlighted with a divergent trend between measured and reconstructed strains. Finally, since SHM systems rely on distributed sensing, sensor network optimization is crucial for maximizing detection capability at a reduced cost. Multi-objective optimization is regarded to consider cost minimization and classification performance maximization when designing a sensor network for SHM. An optimal statistical detector is developed, and the detection capability is derived accordingly. The relative importance of a minimum cost strategy compared to maximum classification performances is analyzed in detail, providing insights into the consequences, in terms of costs and probability of detections, of choosing one strategy over the other. The method is numerically verified on a simple case study composed of a damaged plate under tension.

La sicurezza strutturale è un aspetto critico in molti campi dell’ingegneria e per molte applicazioni, dalle grandi infrastrutture civili fino ai componenti meccanici e aereonautici. Negli ultimi anni, le comunità scientifiche e industriali hanno dedicato molti sforzi per sviluppare un nuovo framework per valutare l’integrità strutturale, conosciuto come Structural Health Monitoring (SHM). L’SHM dovrebbe permettere valutazioni dello stato di salute delle strutture in tempo reale e automaticamente sulla base di un network di sensori permanentemente installati, portando ad una riduzione considerevole dei costi operativi e a un miglioramento dei margini di sicurezza. Tuttavia, molte complicazioni limitano l’applicazione industriale dei sistemi di SHM e delle tecniche di identificazione di anomalia, di queste, la variabilità delle condizioni operative e ambientali è una delle più impegnative. I carichi operazionali possono essere naturalmente variabili in molte strutture, per esempio i carichi aerodinamici sulle ali degli aerei, e sono generalmente una variabile di input sconosciuta in molti problemi ingegneristici. Inoltre, il comportamento meccanico della struttura e l’estrazione della feature dai segnali registrati sono estremamente affetti dalla variabilità operazionale, che, potenzialmente, porta ad una sbagliata classificazione dello stato di salute. Di conseguenza, la sconosciuta, o non modellata variabilità delle features dei segnali potrebbe peggiorare l’abilità del sistema di SHM di riconoscere i danneggiamenti, con la possibilità di produrre falsi allarmi. Questa tesi affronta la variabilità del carico quando si identificano anomalie, sfruttando algoritmi di monitoraggio del carico per ricostruire i cambiamenti nelle condizioni operative o per produrre l'output desiderato (ad esempio, il campo di deformazione), adattandosi automaticamente alle variazioni di carico. L'obiettivo è definire un framework unificato per ricostruire i reali spettri di carico esterni o il campo di deformazione interno in una struttura e fornire informazioni sul suo stato di salute effettivo. L'estensione del monitoraggio di carico all'identificazione delle anomalie considera che l'algoritmo, sfruttando un vettore di misure di deformazione in ingresso, ricostruisca sempre un campo di deformazione compatibile con la geometria della struttura sana. Se si verifica una modifica geometrica non inclusa nel modello, ad esempio un danno, quest’ultimo induce una non compatibilità tra le deformazioni misurate e quelle ricostruite in una posizione test vicino al danno stesso. Due algoritmi di monitoraggio del carico sono considerati per testare il metodo sia numericamente che sperimentalmente, ovvero l’inverse Finite Element Method (iFEM) e il Calibration Matrix Approach, modificandoli e migliorandone lo stato dell'arte. L'iFEM ricostruisce i campi di spostamento e di deformazione di una struttura sulla base di alcune misure discrete di deformazione senza alcuna conoscenza pregressa del materiale e dei carichi. Un indice di anomalia è stato definito come differenza percentuale tra una deformazione equivalente letta in una posizione test e la corrispondente ricostruzione iFEM nella stessa posizione. Quest'ultimo consente di stabilire una baseline adattiva al carico basata sullo stesso indice di anomalia, evidenziando lo stato di salute effettivo, indipendentemente dal carico applicato e senza richiedere alcun training. Considerando più posizioni di test, si può dedurre anche la posizione del danno. La verifica del metodo è effettuata numericamente con una piastra soggetta a più carichi e cricche. Sebbene la formulazione dell’iFEM sia generale per qualsiasi geometria e vincolo, la definizione delle condizioni al contorno corrette non è banale per le strutture con vincoli non ideali. Pertanto, la sovrapposizione lineare degli effetti delle condizioni al contorno viene proposta per pesare il contributo di diversi modelli basilari, avvicinandosi al reale comportamento della struttura. Una piastra rinforzata in composito con un danno da impatto è usata per la verifica sperimentale. sottoponendola ad una prova di fatica da compressione e verificando la ricostruzione della deformata con condizioni al contorno non ideali e carico multi-assiale. La capacità di rilevare i danni e localizzare le delaminazioni è verificata sfruttando anche la distanza di Mahalanobis ed evidenziando discrepanze rispetto ad una baseline indipendente dal carico. Poiché i vincoli logistici possono impedire l'installazione dei sensori di deformazione in tutte le posizioni desiderate, la Smoothing Element Analysis (SEA) e il fitting polinomiale vengono studiati per pre-estrapolare il campo di deformazione della struttura. Dopo un'analisi di sensibilità sulla pre-estrapolazione delle misure di deformazione in input, la ricostruzione della deformata tramite iFEM viene validata con misurazioni di tre laser indipendenti su una piastra composita soggetta a una condizione di instabilità compressiva. D’altro canto, il Calibration Matrix Approach stima un set di carichi a partire da misure discrete di deformazione attraverso una matrice di "calibrazione" o di "influenze" e viene esteso per stimare l'intero campo di deformazione con un approccio inverso-diretto, compensando automaticamente anche le variazioni di temperatura. Si è definita una metrica di "osservabilità" che consente di verificare la capacità di stimare il carico e la temperatura attraverso diversi network di sensori prima di effettuare un test fisico. Il metodo è validato numericamente e sperimentalmente con un UAV sottoposto a diversi campi di pressione aerodinamica. La validazione sperimentale viene eseguita anche a terra in laboratorio e con prove di volo reali, eseguendo diverse manovre di volo con condizioni ambientali variabili. Inoltre, lo sviluppo di un danno nell'interfaccia ala-aletta è potenzialmente rilevato ed evidenziato da un trend divergente tra deformazioni misurate e ricostruite. Infine, poiché i sistemi SHM si basano su rilevamento distribuito, l'ottimizzazione della rete di sensori diventa fondamentale per massimizzare la capacità di rilevamento dei danni a un costo ridotto. Una ottimizzazione multi-obiettivo è considerata per minimizzazione i costi e, allo stesso tempo, massimizzare la capacità di classificazione dello stato di salute quando si progetta una rete di sensori per SHM. Si sviluppa un rilevatore statistico ottimale e si deriva di conseguenza la capacità di rilevare un danno. Si analizza in dettaglio l'importanza relativa di una strategia di costo minimo rispetto ad una che massimizzi le prestazioni di classificazione strutturale, fornendo approfondimenti sulle conseguenze in termini di costi e probabilità di rilevamento del danno derivanti dalla scelta di una strategia rispetto all'altra. Il metodo è verificato numericamente su un semplice caso studio costituito da una piastra danneggiata sottoposta a tensione.