结构健康监测的鲁棒性贝叶斯压缩采样和损伤识别方法研究

Data compression and damage detection are important research topics in structural health monitoring. This project will research on the robust Bayesian method for compressive sampling and damage detection in structural health monitoring, motivated by the fact that both the compressive sampling reconstruction (decompression) and damage localization results are unreliable and sensitive to the incomplete information and environmental noise. Considering both the structural health monitoring signals and structural damage are sparse in some basis, the basic theory for this project relies on the sparse Bayesian learning framework. We will construct the hierarchical Bayesian model for noise variance and integrate it out to ensure the robustness of the algorithm. In the aspect of application, firstly, we will study robust decompression and diagnosis methods for compressive sampling of structural health monitoring signals. These two methods can achieve high compression efficiency and decompression accuracy for huge volume of data in structural health monitoring. Then we will propose a robust damage detection method considering the feature of spatially-sparse stiffness loss in a structure, which can localize damage without any specified threshold and also increase the resolution of the damage locations. Finally, the corresponding structural model test and prototype monitoring will be performed for validation. The research will provide systematic Bayesian inversion algorithms for structural health monitoring. It will extend the theory for structural health monitoring, having both the vital scientific significance and application values.

数据压缩和损伤识别是结构健康监测重要的科学问题。针对结构健康监测压缩采样数据解压缩和损伤定位对信息不完备程度和环境噪声比较敏感而可靠性不高的问题，并考虑其均具有稀疏性的数学特征，本项目研究结构健康监测数据压缩采样和损伤识别的鲁棒性贝叶斯方法。本项目以稀疏贝叶斯学习为理论基础，以鲁棒性为目标构造噪声方差的多层次贝叶斯模型，将该模型全概率积分应用于稀疏贝叶斯学习过程使方法具有鲁棒性。首先，研究健康监测数据的贝叶斯压缩采样的鲁棒性解压缩方法和数据解压缩精度诊断的鲁棒性方法，实现海量健康监测数据的高压缩效率和高解压精度；其次，研究基于损伤空间稀疏分布特征的结构损伤识别的鲁棒性方法，实现无临界值损伤定位，提高损伤定位精度。最后，通过模型试验和原型监测验证本项目方法。本项目研究将形成系统的结构健康监测贝叶斯统计反演鲁棒性算法，丰富和发展结构健康监测理论，具有重要的科学意义和实用价值。

结构健康监测是保证土木工程基础设施安全运营的重要手段。尽管现在健康监测系统能获取大量结构振动数据信息，如何有效采集、分析和利用这些数据，是重要的科学问题。例如，在实际应用中结构健康监测压缩采样的数据解压缩和结构损伤识别对信息不完备程度和环境噪声比较敏感而导致结果的可靠性不高，但是其在某些域上却具有稀疏性的数学特征，可以作为模型正则化的手段。同时由于对研究对象的不完整了解，模型不确定性的定量考虑在所有反问题处理中都是必要的。基于这些结构健康监测重要问题, 本项目研究了数据压缩采样和结构损伤识别的稀疏贝叶斯方法。在理论上，主要研究了稀疏贝叶斯学习，并对其进行了一定的理论拓展。我们系统研究了稀疏贝叶斯学习的鲁棒性问题，同时提出了几个鲁棒性提高手段，来缓解此鲁棒性问题。在应用上，针对实际问题建立了多层次贝叶斯学习模型，首先研究了健康监测数据的贝叶斯压缩采样的鲁棒性解压缩方法和数据解压缩精度诊断方法，实现海量健康监测数据的高压缩效率和高解压精度；同时也将所提出的贝叶斯压缩采样方法应用于无线传感网络的数据丢失的重构。其次，提出了基于损伤空间稀疏分布特征的结构系统识别（损伤识别）的鲁棒性方法，分别建立了快速算法和马尔科夫链蒙特卡洛算法，基于噪声污染及不完整观测的模态数据下，计算结构在各个局部位置的刚度损失概率。计算得到的结构局部刚度降低模型符合贝叶斯奥卡姆剃刀定律，即在同等地对数据拟合能力基础上，结果倾向于更简单（更稀疏）的模型。这样能在一定程度上实现无临界值损伤定位，也提高了损伤定位精度。在此应用研究中，建立的方法都实现了模型所有的参数基于数据信息的学习，避免了人为参数设定。本项目研究成果形成了系统的结构健康监测贝叶斯统计反演的算法理论框架，丰富和发展结构健康监测理论；同时提出的方法在各个科学和技术领域的基于含噪不完整观测信息的稀疏反演问题都具有一定的应用价值。