Desarrollo de un sistema de monitorización de la integridad estructural para aplicaciones en ingeniería mediante técnicas de reducción de la dimensionalidad

Abstract

This thesis describes a structural health monitoring (SHM) strategy to detect and classify changes in structures that can be equipped with sensors. SHM is an area of great interest, because its main objective is to verify the health of the structure to ensure its correct operation and, in turn, save maintenance costs. This objective is achieved by using algorithms and equipping the structure with a network of sensors that continuously monitor it.

Researchers from around the world focus their efforts on the development of new forms of continuous monitoring to know the current state of the structure and to avoid possible failures or catastrophes. In this sense, in this work, a network of piezoelectric sensors (PZTs) is used for the development of the strategy of detection and classification of structural changes. This network of PZTs, attached to the surface of the structure to be diagnosed, applies vibrational excitation signals and, at the same time, collects the responses propagated through the structure. With this collected information, certain mathematical algorithms are developed.

To carry out the main task of the proposed methodology, detection and classification of structural changes, the technique called t-distributed stochastic neighbor embedding (t-SNE) is essentially used. This technique is capable of representing the local structure of the high-dimensional data collected by the sensor network in two-dimensional or three-dimensional space. Furthermore, for the classification of structural changes, the detection methodology is expanded by adding the use of three strategies: (a) the smallest point-centroid distance; (b) the majority vote; and (c) the sum of the inverses of the distances.

The methodology proposed in this study is tested and validated using an aluminum plate equipped with four PZT sensors and for certain predefined structural changes. The promising results obtained show the great classification capacity and the strong performance of this methodology, successfully classifying about 100% of the cases in various experimental scenarios.

The main contribution of this project is the combination of the t-SNE technique with a carefully selected pre-processing of the data and with the three proposed classification strategies. This combination significantly improves the quality of the groups or clusters obtained with the damage detection and classification method, which represent the different structural states. Likewise, said combination diagnoses a structure with a low computational cost and high reliability.

Regarding the applicability of the suggested strategy, there is no prescribed field of application: if a network of sensors can be installed in the structure to be diagnosed and several phases of action can be considered, the approach presented here can be, a priori, implemented.

Esta tesis describe una estrategia de monitorización de la salud estructural (SHM, por sus siglas en inglés) para detectar y clasificar fallos en estructuras que pueden ser equipadas con sensores. La SHM es un área de gran interés, ya que su objetivo principal es la verificación de la salud de la estructura para asegurar su correcto funcionamiento y, a su vez, ahorrar costes de mantenimiento. Este objetivo se consigue haciendo uso de algoritmos y equipando a la estructura con una red de sensores que la monitorizan de forma continuada. Investigadores de todo el mundo centran sus esfuerzos en el desarrollo de nuevas formas de monitorización continua para conocer el estado actual de la estructura y evitar posibles fallos o catástrofes. En este sentido, en este trabajo, se utiliza una red de sensores piezoeléctricos (PZT, por sus siglas en inglés) para el desarrollo de la estrategia de detección y clasificación de los cambios estructurales. Esta red de PZT, adherida a la superficie de la estructura a diagnosticar, aplica señales vibracionales de excitación y al mismo tiempo recoge las respuestas propagadas a través de la estructura. Con esta información recopilada se desarrollan ciertos algoritmos matemáticos. Para llevar a cabo la tarea principal de la metodología propuesta, detección y clasificación de fallos, se utiliza esencialmente la técnica denominada t-distributed stochastic neighbor embedding (t-SNE). Dicha técnica es capaz de representar la estructura local de los datos de alta dimensionalidad recopilados por la red de sensores en un espacio bidimensional o tridimensional. Además, para la clasificación de los cambios estructurales, se amplía la metodología de detección añadiendo el uso de tres estrategias: (a) la distancia punto-centroide más pequeña; (b) el voto mayoritario; y (c) la suma de las inversas de las distancias. La metodología propuesta en este estudio se prueba y valida utilizando una placa de aluminio equipada con cuatro sensores PZT y para ciertos daños predefinidos. Los prometedores resultados obtenidos ponen de manifiesto la gran capacidad de clasificación y el fuerte rendimiento de esta metodología, clasificando con éxito cerca del 100% de los casos en varios escenarios experimentales. La principal contribución de este proyecto es la combinación de la técnica t-SNE con un preprocesamiento de los datos cuidosamente seleccionado y con las tres estrategias de clasificación propuestas. Esta combinación mejora significativamente la calidad de los grupos o clústeres obtenidos con el método de detección y clasificación de daños, que representan los diferentes estados estructurales. Asimismo, dicha combinación diagnostica una estructura con un bajo coste computacional y una alta fiabilidad. En cuanto a la aplicabilidad de la estrategia sugerida, no hay un campo de aplicación prescrito: si se puede instalar una red de sensores en la estructura a diagnosticar y se pueden considerar varias fases de actuación, el enfoque aquí presentado puede implementarse a priori.