Modal parameter identification of cable stayed bridge based on exploratory data analysis

• Autorzy: Khan I. , Shan D. , Li Q.

Identyfikatory

DOI

10.1515/ace-2015-0011

Warianty tytułu

PL

Wyznaczanie parametrów modalnych mostów wantowych na podstawie eksploracyjnej analizy danych

• Języki publikacji: EN

Abstrakty

EN

In order to identify the modal parameters of civil structures it is vital to distinguish the defective data from that of appropriate and accurate data. The defects in data may be due to various reasons like defects in the data collection, malfunctioning of sensors, etc. For this purpose Exploratory Data Analysis (EDA) was engaged to envisage the distribution of sensor’s data and to detect the malfunctioning with in the sensors. Then outlier analysis was performed to remove those data points which may disrupt the accurate data analysis. Then Data Driven Stochastic Sub-space Identification (DATA-SSI) was engaged to perform the modal parameter identification. In the end to validate the accuracy of the proposed method stabilization diagrams were plotted. Sutong Bridge, one of the largest span cable stayed bridge was used as a case study and the suggested technique was employed. The results obtained after employing the above mentioned techniques are very valuable, accurate and effective.

PL

Jako, że infrastruktura lądowa, a w szczególności mosty o długich przęsłach, ulega z czasem starzeniu, wzrasta również istotność jej zrównoważonej ekonomicznie konserwacji. Ze względu na fakt, że tradycyjne techniki oględzin są zarówno czasochłonne, jak i kosztowne, konieczne jest opracowanie bardziej wiarygodnego i skutecznego systemu monitorowania mostów o długich przęsłach w celu ciągłego monitorowania zachowania się konstrukcji na podstawie szybkiej i dokładnej analizy danych. Ponieważ system monitorowania wykazuje anomalie w wyniku wadliwego funkcjonowania czujników lub awarii systemu, konieczne jest opracowanie efektywnej i skutecznej techniki, która umożliwi szybkie wykrywanie takich anomalii oraz prezentowanie ich w sposób bardziej profesjonalny. Dlatego w niniejszym opracowaniu przedstawiono metodę Eksploracyjnej Analizy Danych (EAD). Od kilkudziesięciu lat, wyznaczanie parametrów modalnych odgrywa coraz większą rolę, ponieważ dostarcza innowacyjnych narzędzi, umożliwiających zrozumienie i kontrolowanie optymalizacji projektu oraz oceny wytrzymałości konstrukcyjnej obiektu. Istnieje szereg technik SSI, takich, jak Covariance Driven SSI, Data Driven (DATA-SSI), jak również kombinacje innych metod, takich, jak techniki SSI Expectation Maximization (EM-SSI) czy Empirical Mode Decomposition (EMD). Niniejsze opracowanie opisuje zastosowanie techniki DATA-SSI z pewnymi ulepszeniami w odniesieniu do faktycznie istniejącego mostu o długich przęsłach. W przypadku danych gromadzonych na dużą skalę, zrozumienie zestawów danych zawierających cokolwiek więcej, niż tylko szereg punktów danych bez zastosowania efektywnej techniki jest praktycznie niemożliwe. Ponieważ dane gromadzone w trakcie monitorowania stanu mostów mają z reguły ogromną objętość, a niewiele wiadomo na temat funkcji gęstości prawdopodobieństwa (PDF), zawsze zaleca się, aby inżynier przeanalizował dane w celu określenia i wskazania najważniejszych cech danych, zanim zastosuje techniki ilościowe; podstawową przeszkodą dla inżyniera jest w tym wypadku czas. EDA to najpotężniejsze narzędzie, wspomagające eksplorowanie „wewnętrznych sekretów” danych w sposób szczegółowy przy znacznym ograniczeniu czasu trwania obliczeń. Eksploracyjny charakter EDA może okazać się wystarczający dla wielu zastosowań SHM. Jakkolwiek istnieje wiele technik graficznej reprezentacji danych, w niniejszym opracowaniu omówimy zaledwie kilka z nich, aby zilustrować dokładność i skuteczność EDA – takie, jak wykresy kontrolne, krzywe Andrewsa oraz histogramy. W przypadku faktycznie istniejących konstrukcji lądowych na wielką skalę, w danych zawsze pojawiają się szumy i zniekształcenia; zasadniczo, nie istnieją z góry zdefiniowane informacje na temat liczby modułów podlegających przetworzeniu. Podstawową przyczyną tego stanu rzeczy są niepewności związane z określeniem rzędu układu. Dlatego używa się diagramu stabilizacji w celu rozróżnienia pomiędzy szumami lub fałszywymi biegunami a prawdziwymi biegunami układu. Diagram stabilizacji jest de facto rysunkową ilustracją występowania biegunów przy tej samej częstotliwości w wyniku zwiększania rzędu modelu modalnego w celu przedstawienia stanu fizycznego rzędu układu. Na podstawie procedury DATA-SSI, diagram stabilizacji wykreślono dla danych otrzymanych dla mostu Sutong. Most Sutong jest to most nad rzeką Jangcy i jeden z najdłuższych mostów wantowych, łączący Changshu i Nantong. Jest to most o siedmiu przęsłach, dwupylonowy, wantowy, w formie stalowej konstrukcji skrzynkowej o rozpiętości najdłuższego przęsła wynoszącej 1088m, przy czym łączna długość mostu wynosi: 100+100+300+1088+300+ 100+100=2088m. Aby wyznaczyć parametry modalne mostu Sutong, pobrano dane z 14 czujników – akcelerometrów, zainstalowanych na moście. Ogromna ilość danych, pobranych z systemu SHM na moście Sutong, została w pierwszej kolejności poddana wizualizacji przy pomocy EDA, aby określić najważniejsze tendencje oraz trendy w danych, ponieważ reprezentacja graficzna danych jest szybka i dokładna oraz umożliwia ogromną oszczędność czasu w porównaniu z technikami obliczeniowymi. Następnie przeprowadzono analizę odchyleń w celu odrzucenia ze zbioru danych budzących wątpliwości. Następnie wprowadzono technikę DATA-SSI, zapewniającą większą niezawodność i stabilność wyników. Na podstawie DATA-SSI określono parametry modalne, takie, jak częstotliwość czy wartość tłumienia, a wyniki wskazują, że proponowana metoda znakomicie broni się merytorycznie. Następnie sporządzono diagram stabilizacji, aby zweryfikować stwierdzony wstępnie prymat metody. Wyniki, pozyskane za pomocą wyżej wymienionych technik, są nie tylko autentyczne, ale też niezwykle efektywne, co sugeruje możliwość znaczącej poprawy rezultatów monitoringu, prowadzonego w terenie.

Słowa kluczowe

EN

data analysis; outlier analysis; stabilization diagram; exploratory data analysis; EDA; data driven stochastic sub-space identification; cable stayed bridge

PL

analiza danych; analiza odchyleń; diagram stabilizacji; analiza danych eksploracyjna; EDA; data driven stochastic sub-space identification; most wantowy

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2015
• Tom: Vol. 61, nr 2
• Strony: 3--22
• Opis fizyczny: Bibliogr. 28 poz., il.

Twórcy

autor

Khan I.

• Bridge Engineering Department, Civil Engineering School, Southwest Jiaotong University, Chengdu, Sichuan Province, China

autor

Shan D.

• Bridge Engineering Department, Civil Engineering School, Southwest Jiaotong University, Chengdu, Sichuan Province, China

autor

Li Q.

• Bridge Engineering Department, Civil Engineering School, Southwest Jiaotong University, Chengdu, Sichuan Province, China

Bibliografia

• 1. I.U. Khan, D.S. Shan, and A.Q. Bhatti, “Temperature Effect Analysis of Viscoelastic Damper and Magnetorheological Damper for Vibration Control of Stayed-Cable”, IABMAS2014, Shanghai, China, 2014.
• 2. I.U. Khan, D.S. Shan, and K. Malik, “Covariance Driven Subspace Identification Technique for Continuous Modal Parameters Identification of Sutong Bridge”, IABSE Madrid Symposium: Engineering for Progress, Nature and People, pp 2666-2673(8), 2014.
• 3. E.J. Cross, K.Y. Koo, J. Brownjohn, and K.Worden, “Long-term monitoring and data analysis of the Tamar Bridge”, Mechanical Systems and Signal Processing, 35: pp 16–34, 2013.
• 4. N. Wu, C. Liu, Y. Guo, and J. Zhang, “On-Board Computing for Structural Health Monitoring with Smart Wireless Sensors by Modal Identification Using Hilbert-Huang Transform”, Mathematical Problems in Engineering, vol. 2012, Article ID 509129, 9 pages, 2013.
• 5. J.W. Tukey, “Exploratory Data Analysis”. Addison-Wesley Publishing Company, ISBN 0-201-07616-0, 1977.
• 6. J. M. Chambers, “Programming With Data”. Springer-Verlag, New York, 1998.
• 7. W. S. Cleveland, “The Elements of Graphing Data”. Wadsworth Monterey, CA, 1985.
• 8. W. S. Cleveland, and R. McGill, “Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods”, Journal of the American Statistical Association, 79, pp 531–554, 1984.
• 9. E. R. Tufte, “The Visual Display of Quantitative Information”. Graphics Press Cheshire, CT, 1983.
• 10. E. R. Tufte, “Envisioning Information”. Graphics Press Cheshire, CT, 1990
• 11. A. Buja, D. Cook, and D. Swayne, “Interactive High-Dimensional Data Visualization, Journal of Computational and Graphical Statistics”, 5, pp 78–99, 1996.
• 12. H. Wainer, “Visual Revelations”. Springer-Verlag, New York, 1997.
• 13. D. R. Brillingera, H. K. Preislerb, A. A. Agerc, and J. G. Kiec, “An exploratory data analysis (EDA) of the paths of moving animals”, Journal of Statistical Planning and Inference, 122, pp 43 – 63, 2004.
• 14. C. Rainieri and G. Fabbrocino, “Operational modal analysis of civil engineering structures”. ISBN 978-1-4939-0766-3, Springer, New York, Heidelberg, Dordrecht, London, 2014.
• 15. Golub, H. Gene, V. Loan, F. Charles, “Matrix computations”. Johns Hopkins, University Press, 1996.
• 16. Pridham, A. Brad and C. J. Wilson, “Identification of base-excited structures using output-only parameter estimation”, Earthquake Eng. Struct. Dyn. 33: pp 133-155, 2004.
• 17. G. A Smith, A. J. Robinson, “A comparison between the EM and subspace identification algorithms for timeinvariant linear dynamical systems”. Cambridge University, 2000.
• 18. D. J. Yu and W. X, “EMD-based stochastic subspace identification of structures from operational vibration measurements”, Engineering Structures Volume 27, Issue 12, pp 1741-1751, 2005.
• 19. P. V. Overschee and B.D. Moor, “Subspace identification for linear systems: Theory – Implementation Applications”, Katholieke Universiteit Leuven, Belgium, Kluwer Academic Publishers, Boston/London/Dordrecht, 1996.
• 20. J. H. Weng, “Application of Subspace Identification in System Identification and Structural Damage Detection”. Ph.D. Dissertation, National Taiwan University, Taiwan, June 2010.
• 21. J.H. Weng, C.H. Loh, J.P. Lynch, P.Y. Linn, Y. Wang, “Output-Only Modal Identification of a Cable-Stayed Bridge Using Wireless Monitoring Systems”, Journal of Engineering Structures, 30(2): pp 1802–1830, 2008.
• 22. J. B. Bodeux and J.C. Golinval, “Modal identification and damage detection using the data-driven stochastic subspace and ARMAv methods”, Mechanical Systems and Signal Processing, 17(1), pp 83–89, 2003.
• 23. W. X. Ren and Z. H. Zong, “Output-only modal parameter identification of civil engineering structures”, Structural Engineering and Mechanics, Vol. 17, No. 3-4, 2004.
• 24. B. Peeters, and De Roeck, Guido, “Reference-based stochastic subspace identification for output-only modal analysis”. Mechanical Systems and Signal Processing 13(6) 855-878, 1999.
• 25. D. Huston, “Structural Sensing, Health Monitoring, Performance Evaluation”. ISBN: 978-1-4200-1235-4, Taylor and Francis Group, LLC, 2011.
• 26. C. C. Aggarwal, “Outlier analysis”. ISBN 978-1-4614-6395-5, Springer New York Heidelberg Dordrecht London, 2013.
• 27. D. F. Andrews, “Plots of high-dimensional data”. Biometrics, 28: pp 125-136, 1972.
• 28. C. R. Farrar and K. Worden, “Structural health monitoring: A machine learning perspective”. John Wiley & Sons, Ltd, ISBN 978-1-119-99433-6, 2012.