Structural identification and damage detection can be generalized as the simultaneous estimation of input forces, physical parameters, and dynamical states. Although Kalman-type filters are efficient tools to address this problem, the calibration of noise covariance matrices is cumbersome. For instance, calibration of input noise covariance matrix in augmented or dual Kalman filters is a critical task since a slight variation in its value can adversely affect estimations. The present study develops a Bayesian Expectation-Maximization (BEM) methodology for the uncertainty quantification and propagation in coupled input-state-parameter-noise identification problems. It also proposes the incorporation of input dummy observations for stabilizing low-frequency components of the latent states and mitigating potential drifts. In this respect, the covariance matrix of the dummy observations is also calibrated based on the measured data. Additionally, an explicit formulation is provided to study the theoretical observability of the Bayesian estimators, which helps characterize the minimum sensor requirements. Ultimately, the BEM is tested and verified through numerical and experimental examples, wherein sensor configurations, multiple input forces, and abrupt stiffness changes are investigated. It is confirmed that the BEM provides accurate estimations of states, input, and parameters while characterizing the degree of belief in these estimations based on the posterior uncertainties driven by applying a Bayesian perspective.


翻译:通过同时估计输入力、物理参数和动态状态,可以普遍地确定和探测结构和损害。虽然Kalman型过滤器是解决这一问题的有效工具,但校准噪声共变矩阵十分繁琐。例如,在加固或双加固的卡尔曼过滤器中校准输入噪声共变矩阵是一项关键任务,因为其价值的微小差异可能会对估计产生不利影响。本项研究开发了一种巴耶西亚期望-最大化(BEM)方法,用于在输入状态和参数的混合识别问题中进行不确定性的量化和传播。它还提议纳入输入的模拟观测,以稳定潜在状态的低频率组成部分和减少潜在漂移。在这方面,根据测量的数据对虚构观测的共变矩阵进行校准。此外,为研究巴耶斯估计器的理论易懂性提供了明确的表述,有助于确定最低传感器要求。最终,BEM通过数字和实验实例进行测试和核实,其中含有传感器配置、多重输入力和突然的僵硬性变化。在这方面,根据测测测测度的参数,通过测测测测测测测测了BEM状态,同时测量了BEM的精确度的参数。

0
下载
关闭预览

相关内容

不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
VIP会员
相关资讯
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员