Intelligent condition monitoring of structures through data-driven process and machine learning methods

Abstract

(English) In the last years, the condition monitoring of structures has evolved and improved using technologies such as artificial intelligence, sensor networks, and industry 4.0 because of the multiple advantages these techniques add to the essential condition monitoring process. This doctoral thesis shows the development of different methodologies for the intelligent condition monitoring of structures. In general, two main approaches are analyzed, and some methodologies will be described in this thesis. Firstly, the structural damage classification (SDC) in metallic structures at the laboratory scale is explored, and second, the multivariate temperature prediction (MTP) of an electric arc furnace lining in an industrial environment is studied. The acquired data for SDC presented differences between sensors and high dimensionality; thus, several stages composed the developed SDC methodologies, including data organization, data scaling, data reduction, data classification, cross-validation, and classification performance metric calculation. Data from two different structures were used to develop three different SDC methodologies. In the case of the approaches for MTP, two multivariate temperature prediction methodologies were developed, and data from two different electric arc furnaces in normal operation were acquired, organized, and used to predict the lining furnace temperature behavior. Several process variables were considered to obtain the multivariate temperature prediction models. The multivariate sense of temperature refers to obtaining a single model capable of predicting the temperature behavior of several thermocouples radially distributed in the lining furnace. Results in applying all strategies showed the advantages of using all methodologies in all the studied cases with excellent results.

(Català) En els darrers anys, el monitoratge de l'estat de les estructures ha evolucionat i millorat utilitzant tecnologies com la intel·ligència artificial, xarxes de sensors i la indústria 4.0 a causa dels múltiples avantatges que aquestes tècniques afegeixen al procés de monitorització de l'estat essencial. Aquesta tesi doctoral mostra el desenvolupament de diferents metodologies per al monitoratge intel·ligent de l'estat d'estructures. En general, s'analitzen dos enfocaments principals, i en aquesta tesi es descriuran algunes metodologies. En primer lloc, s'explora la classificació de danys estructurals (SDC) en estructures metàl·liques a escala de laboratori i, en segon lloc, s'estudia la predicció de temperatura multivariant (MTP) d'un revestiment de forn d'arc elèctric en un entorn industrial. Les dades adquirides per SDC presentaven diferències entre sensors i alta dimensionalitat; així, diverses etapes van compondre les metodologies de SDC desenvolupades, incloent l'organització de dades, l'escala de dades, la reducció de dades, la classificació de dades, la validació creuada i el càlcul de la mètrica de rendiment de la classificació. Es van utilitzar dades de dues estructures diferents per desenvolupar tres metodologies diferents de SDC. En el cas dels enfocaments per MTP, es van desenvolupar dues metodologies de predicció de temperatura multivariant i es van adquirir, organitzar i utilitzar dades de dos forns d'arc elèctric diferents en funcionament normal per predir el comportament de la temperatura del forn de revestiment. Es van considerar diverses variables de procés per obtenir els models de predicció de temperatura multivariant. El sentit multivariant de la temperatura es refereix a l'obtenció d'un únic model capaç de predir el comportament de la temperatura de diversos termoparells distribuïts radialment al forn de revestiment. Els resultats en l'aplicació de totes les estratègies van mostrar els avantatges d'utilitzar totes les metodologies en tots els casos estudiats amb excel·lents resultats.