Vibration-based Structural Health Monitoring using Machine Learning with Applications to Plate and Pipeline Structures
저자
발행사항
서울 : 서울대학교 대학원, 2019
학위논문사항
학위논문(박사)-- 서울대학교 대학원 : 조선해양공학과 2019. 8
발행연도
2019
작성언어
영어
주제어
DDC
623.8 판사항(22)
발행국(도시)
서울
기타서명
기계 학습을 이용한 진동 기반 구조물 건전성 모니터링 기법의 판과 파이프 구조물에의 응용
형태사항
x, 118 p. : 삽화, 표 ; 26 cm
일반주기명
참고문헌 수록
UCI식별코드
I804:11032-000000156260
소장기관
Structural health monitoring (SHM) is essential to large structures for safety and economic benefits. In order to monitor the condition of structures, statistical analysis using machine learning algorithms has been used in recent years. Conventional vibration-based monitoring approaches generally utilize modal parameters of mode frequency, modal damping, or mode shape. The issue is that damages are generated locally and may not considerably influence the modal parameters, especially under ambient vibrations. Recent works on ambient noise interferometry have shown that the noise cross-correlation of diffuse fields can be useful for SHM application. Based on this recent signal processing method, the vibration-based SHM using diffuse fields is developed in this dissertation. A laboratory experiment is investigated on an aluminum plate with two accelerometers. A hand-held impact hammer is operated for the excitation and two types of damages are examined. From the cross-correlation of diffuse fields between two receivers, damage-sensitive statistical features are extracted. The performance is analyzed according to various environmental conditions and damage types applying a novel damage detection algorithm, support vector machine (SVM). Meanwhile, in flow monitoring of a pipeline-riser system, early recognition of severe slugging is important to prevent negative impacts including structural damage and low production. In this dissertation, a new monitoring approach using vibration signals of accelerometers is suggested. A main characteristic of accelerometer that vibration signals are significantly different between stable flow and unstable flow is advantageous for early recognition of severe slugging. An experimental study is performed in the pipeline-riser system, where six accelerometers are installed from the bottom to the top of the vertical riser. Different environmental conditions are generated by changing water and gas superficial velocities. Simple statistical parameters and linear prediction coefficients are extracted from vibration data for online recognition. The SVM and neural network (NN) are applied for binary classification, and the NN is used for multiclass classification. The performance is evaluated according to the signal length with different sensor locations. Though this dissertation is focused on the damage detection in the plate structure and unstable flow monitoring of the pipeline-riser system, the suggested methods can be useful with appropriate feature extraction for many SHM problems, such as blockage detection in the pipeline, condition monitoring of ship structures, and monitoring of building structures.
더보기구조물의 건전성 모니터링(structural health monitoring)은 대형 구조물의 안전한 운용과 경제적 효용성을 위해 필수적이다. 구조물의 상태를 모니터링하는 데에는 기계 학습 기반의 통계적 분석이 일반적으로 사용된다. 진동 신호를 기반으로 하는 모니터링 기법들은 주로 구조물의 모드 주파수, 모드 감쇠, 또는 모드 형상과 같은 모드 변수들을 이용하여 구조물의 상태를 분석한다. 그러나 손상은 국소적으로 발생하는 경우가 많고, 특히 주변 진동을 이용하는 감지 기법의 경우 국소적으로 발생한 손상이 모드 변수들에 큰 영향을 미치지 못할 수 있다는 한계점이 있다. 최근 주변 진동의 상호 상관 함수에서 도출되는 신호처리 기법에 대한 연구들이 건전성 모니터링에 유용하다는 것을 보여주었다. 본 논문은 이 기법을 기반으로 확산 장을 이용한 진동 기반의 모니터링 기법을 발전시키고, 알루미늄 판에서 진행된 실험을 통해 이 기법의 유용성을 입증하였다. 두 개의 가속도를 이용하여 두 가지 유형의 손상을 감지하기 위한 실험을 진행하였고, 진동을 발생시키기 위해 충격 해머를 이용하였다. 수신기에서 계측된 진동의 상호 상관 함수들로부터, 손상에 기민하게 반응하는 통계적 특징 벡터를 추출하였다. 서포트 벡터 머신을 이용하여 다양한 진동원의 위치에 의한 환경 조건과 손상 유형에 따라 분류 성능을 분석하였다. 한편, 파이프라인-라이저 구조물의 비정상 유동 모니터링에서는 구조물의 손상과 생산량 저하 등을 유발하는 severe slugging을 빠르게 감지하는 것이 중요하다. 본 논문에서는 기존에 사용되지 않았던 가속도계를 사용하여 severe slugging을 감지하는 새로운 모니터링 기법을 제안하였다. 정상 유동과 비정상 유동 조건에서 진동 신호가 확연하게 다르다는 특징은 빠른 severe slugging의 감지에 유리하게 작용할 수 있다. 수직 라이저에 여섯 개의 가속도계를 설치하여 실험을 진행하였고, 물과 공기의 겉보기 속도 (superficial velocity)를 변화시키면서 서로 다른 환경을 조성하였다. 빠른 신호 처리를 위하여 간단한 통계 파라미터와 선형 예측 계수들로 구성된 특징 벡터를 이용하였다. 이진 분류를 위하여 서포트 벡터 머신을, 다중 클래스 분류를 위하여 뉴럴 네트워크를 사용하였으며, 다양한 길이의 신호와 센서 위치에 따라 분류 성능을 분석하였다. 본 연구에서는 판 구조물의 손상 감지와 파이프라인-라이저 구조물의 비정상 유동 감지를 중점적으로 수행하였으나, 제안하는 기법은 해양 파이프라인의 막힘 감지, 선박 구조물, 빌딩 구조물의 모니터링 등의 다양한 구조물 모니터링 적용에 유용할 것으로 기대된다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)