Development of automatic unsupervised damage detection algorithms for axially-loaded beam-like structures

Structural health monitoring is the naturally suggested approach for the maintenance of structures, given the current availability of increasingly advanced sensors and computing capabilities. A transition from traditional approaches, based on human inspections, to continuous monitoring is made possible by the adoption of data driven approaches, to identify relationships between the physical quantities measured by the sensors and the state of health of structures. Vibration-based approaches are among the most popular in the field of structural health monitoring, based on the concept that changes in structural properties due to damage are reflected in changes in the properties of the dynamic response. Damage-sensitive features can therefore be extracted from vibration signals and used in combination with machine learning techniques to develop automatic algorithms capable of identifying the onset of anomalies. Despite the work carried out by the scientific community to develop algorithms and methods for damage identification, there are still few applications that have demonstrated the effectiveness of these approaches in real contexts, characterized by uncontrolled environmental and operational conditions. Although dealing with these factors play a key role in translating structural health monitoring algorithms from research to real world, they are often neglected since they are difficult to replicate in a laboratory environment. At the same time, when real operating structures are considered as case study, it is very rare that data referring to a damage condition are available. This article-based thesis, consisting of a cover essay and three attached articles, presents the development of an automatic strategy for damage identification in axially-loaded beam-like structures, widely used in civil, mechanical and engineering applications. Attention was paid on the case study of tie-rods, structural elements used to balance the forces discharged by arches and vaults of ancient and modern civil structures. The works presented in the literature are mainly addressed to the identification of the tie-rod axial load as a mean to monitor the overall structural equilibrium. This problem is complex, due to the considerable uncertainty related to the structural characteristics and materials for already installed tie-rods. Although the failure of a tie-rod can have dramatic consequences, no approach that accounts for the presence of damage in the tie-rod itself was present in the literature. The author used the approach known as statistical pattern recognition to develop an automatic vibration based data driven algorithm that does not require the knowledge of any physical variable and does not need axial-load identification, separating this research work from all the other works in the literature regarding tie-rods. The work details two fundamental aspects. The first is the definition of an appropriate vibration based damage feature that allows to distinguish the variations associated with the normal variability of the structural parameters from those due to the onset of damage in axially-loaded beam-like structures. For this first aspect, two approaches, one based on modal parameters, the other on time series analysis, have been adopted. The two alternatives were evaluated not only for their ability to provide a damage-sensitive damage feature, but for their ability to be used efficiently from an economic point of view and to be robust enough for real-world applications. The second aspect investigated was the automation of damage identification, exploiting tools for outlier detection and unsupervised data clustering and developing an automatic data cleansing strategy, essential for implementation in uncontrolled environments. After a first phase of simulations aimed at explaining and motivating the effective use of damage features extracted from the response for axially loaded beam structures, the algorithms were validated on data coming from an experimental set-up consisting of a series of nominally identical full scale tie-rods. The case study here presented not only considered realistic and uncontrolled operational and environmental conditions, but also allowed to obtain monitoring data of a structure subjected to real damage. This aspect, very rare in the literature concerning structural health monitoring in general, has allowed us to define a case study that can serve as a benchmark for future research activities on the subject.

Lo Structural Health Monitoring è l'approccio più comunemente utilizzato per la manutenzione delle strutture, data l'attuale disponibilità di sensori e capacità di calcolo sempre più avanzati. Il passaggio dalle tecniche tradizionali, basate sulle ispezioni visive, al monitoraggio continuo è reso possibile dall'adozione di approcci data-driven, dove lo stato di salute delle strutture è valutato a partire dai dati acquisiti da sensori. Gli approcci che utilizzano misure di vibrazioni, tra i più diffusi nel campo del monitoraggio strutturale, si basano su un’idea fondamentale: i cambiamenti delle proprietà strutturali dovuti al danno si riflettono in cambiamenti delle proprietà della risposta dinamica. A partire dai dati di vibrazione è possibile, dunque, estrarre delle grandezze caratteristiche, o “damage feature”, sensibili allo stato di danneggiamento, sulle quali condurre un’identificazione automatica di anomalie strutturali, tramite tecniche di machine learning. Nonostante il grande lavoro svolto dalla comunità scientifica per lo sviluppo di algoritmi e metodi per l'identificazione del danno, sono ancora poche le applicazioni che hanno dimostrato l'efficacia di questi approcci in contesti reali, caratterizzati da condizioni ambientali e operative non controllate. Sebbene la gestione di questi fattori svolga un ruolo chiave nel tradurre gli algoritmi di identificazione del danno dalla ricerca al mondo reale, vengono spesso trascurati, poiché sono difficili da replicare in fase di sperimentazione in ambienti di laboratorio. Inoltre, quando si considerano come casi studio strutture operative reali, è complicato validare gli approcci, poiché sono raramente disponibili dati riferibili ad una condizione di danno. Questa tesi, composta da un saggio introduttivo e tre articoli allegati, presenta lo sviluppo di una strategia automatica per l'identificazione dei danni in strutture di tipo trave, soggette a tensione, ampiamente utilizzate in applicazioni civili, meccaniche e ingegneristiche. Particolare attenzione è stata dedicata al caso studio dei tiranti (o catene), elementi strutturali utilizzati per bilanciare le forze scaricate da archi e volte di strutture civili, antiche e moderne. Per questi elementi strutturali, i lavori presentati in letteratura sono principalmente rivolti alla stima del carico assiale del tirante come mezzo per monitorare l'equilibrio strutturale complessivo. Questo problema è complesso, a causa della notevole incertezza relativa alle caratteristiche strutturali e dei materiali dei tiranti già installati. Tuttavia, sebbene il cedimento di un tirante possa avere conseguenze drammatiche, in letteratura non era presente alcun approccio che tenesse conto della presenza di uno stato di danneggiamento nel tirante stesso. L'autore ha utilizzato l'approccio noto come “statistical pattern recognition” per sviluppare un algoritmo automatico di tipo data-driven, basato su dati di vibrazione, che non richiede la conoscenza di alcuna variabile fisica e, soprattutto, non richiede l'identificazione del carico assiale, separando questa ricerca da tutte le altre presenti in letteratura. Il lavoro dettaglia due aspetti fondamentali. Il primo è la definizione di un'opportuna damage feature che consenta di distinguere le variazioni associate alla normale variabilità dei parametri strutturali da quelle dovute all'insorgenza del danno. Per raggiungere questo primo risultato, sono stati adottati due approcci, uno basato su parametri modali, l'altro sull'analisi di serie temporali. Particolare attenzione è stata rivolta all’utilizzo di damage feature ricavabili tramite sensoristica semplice ed economica, mirata ad agevolare l’adozione dell’approccio proposto in contesti reali. Il secondo aspetto studiato è stato l'automazione del processo di identificazione del danno, sfruttando algoritmi per outlier detection e data clustering, di tipo unsupervised, ovvero che non richiedono la conoscenza a priori di dati relativi al danneggiamento. Inoltre, è stato sviluppato un algoritmo di pulizia automatica dei dati, essenziale per l'implementazione in ambienti non controllati. Dopo una prima fase di simulazioni, volte a motivare le scelte in merito all’individuazione della damage feature più opportuna, gli algoritmi sono stati validati su dati provenienti da un set-up sperimentale, composto da una serie di tiranti, in scala reale, monitorati su lungo periodo. Durante la campagna sperimentale, non solo sono state considerate condizioni operative e ambientali realistiche e non controllate, ma è stato anche possibile introdurre dei meccanismi di danneggiamento reali. Questo aspetto, in generale molto raro nella letteratura riguardante lo Structural Health Monitoring, ha permesso di definire un caso di studio che può fungere da termine di confronto per future attività di ricerca sull'argomento.