Robust structural damage detection by using statistical hybrid algorithms

This thesis presents the results of applying a statistical hybrid approach for structural health monitoring using piezo actuating signals. Where, by combining statistical processing based on Principal Component Analysis (PCA), cross-correlation functions and pattern recognition methods it was possible to detect, classify and locate damages under varying environmental conditions and possible sensor faults. The proposed methodology consists of first transmiting/sensing guided waves along the monitored structure surface by using piezoelectric (PZT) devices. Then, cross-correlated piezoelectric signals are statistically represented by means of a PCA model. Later, damages are identified through error indexes computed from a statistical baseline model. Finally, clustering methods and scattered plots are used to verify the performance of the proposed algorithm. Improved or new techniques are presented in this thesis which were focused to achieve more reliable diagnosis with high robustness and good performance. Specifically, differential genetic algorithms are used for automatically tuning parameters in a PCA-SOM damage detection/classification approach. Additionally, Ensemble Learning is explored as approach for obtaining more efficient diagnosis with high separable boundaries between undamaged and damage conditions taking advantages of learner algorithms built from Non-Linear PCA and a Multiactuacting active scheme of piezodiagnostics. Also, a modified version of the Reconstruction Algorithm for Probabilistic Inspection of Damage – RAPID is implemented to solve location tasks in SHM. The proposed methodology was experimentally evaluated on different structures such a a carbon-steel pipe loop, a laminate plate, aircraft wings and a scale tower wind, among others; where different damage scenarios were studied, including leaks scenarios, mass adding and cuts. The effectiveness of the proposed methodology to detect, locate and classify damages under varying environmental and operational conditions is demonstrated. Likewise, the feasibility for continuous monitoring is validated by embedding the code of the proposed algorithm whose capacity to detect structural damages was demonstrated. As a result, the combination of piezodiagnostics approach, cross-correlation analysis, principal component analysis, clustering techniques and Ensemble Learning become as promising solution in the field of structural health monitoring and specifically to achieve a robust solution for damage detection and location.Esta tesis presenta los resultados de la aplicación de un enfoque híbrido estadístico para el monitoreo de salud estructural utilizando señales piezoeléctrica. Donde, al combinar procesamiento estadístico basado en análisis de componentes principales (PCA), funciones de correlación cruzada y métodos de reconocimiento de patrones fue posible detectar, clasificar y localizar daños en diferentes condiciones ambientales y posibles fallas en los sensores. La metodología desarrollada consiste en primero transmitir ondas guiadas a lo largo de la superficie de la estructura monitorizada mediante el uso de dispositivos piezoeléctricos (PZT). Luego, las señales de correlación cruzada calculadas sobre las mediciones piezoeléctricas se representan estadísticamente por medio de un modelo de línea base obtenido mediante PCA. Posteriormente, los daños se identifican mediante índices de error calculados a partir del modelo estadístico de referencia. Finalmente, se utilizan métodos de aprendizaje no supervisado y gráficos de dispersión para verificar el rendimiento del algoritmo propuesto. En esta tesis se presentan nuevas técnicas o versiones mejoradas para lograr un diagnóstico más confiable con alta robustez y buen rendimiento. Específicamente, se utilizan algoritmos genéticos diferenciales para ajustar automáticamente los parámetros en un algoritmo de clasificación y detección de daños basado en PCA y Mapas auto-organizados (SOM). Además, se analiza Ensemble Learning como un enfoque para obtener un diagnóstico más eficiente con mejores fronteras de separación entre condiciones con y sin daño, combinando diferentes algoritmos de aprendizaje construidos a partir de PCA no lineal y lineal así como un esquema activo de multiactuación de piezodiagnóstico. Adicionalmente, se implementa una versión modificada del algoritmo de reconstrucción para la inspección probabilística de daños (RAPID) para estimar la localización del daño. La metodología propuesta se validó experimentalmente en diferentes estructuras, como un circuito de tubería de acero al carbono, una placa laminada, alas de avión y un generador de viento a escala, entre otros; donde se estudiaron diferentes escenarios de daños, incluidos escenarios de fugas, agregación de masa y grietas. Se demuestra la efectividad de la metodología propuesta para detectar, localizar y clasificar daños en diferentes condiciones ambientales y operativas. Del mismo modo, la viabilidad del monitoreo continuo se valida implementando el código del algoritmo propuesto en un sistema embebido, cuya capacidad para detectar daños estructurales se demostró. Como resultado, la combinación del enfoque de piezodiagnóstico, análisis de correlación cruzada, análisis de componentes principales, técnicas de aprendizaje no supervisado y Ensemble Learning se obtiene una solución prometedora en el campo del monitoreo de la salud estructural y específicamente para lograr una solución robusta para la detección de daños y la ubicación