Structural Health Monitoring (SHM) has gained a significant importance for aerospace, civil and mechanical engineering infrastructures, as well as energy supply systems and many other industrial installations. Structural damage detection is a key fundamental element in SHM systems and the implementation of damage detection strategies – in the presence of varying environmental and operational conditions – is one of the most challenging tasks for engineering community. Cointegration, a technique originally developed in the econometrics field, has recently been introduced to SHM as a promising data-driven method for the removal of common long-term trends – induced by changing environmental and operational conditions – in SHM data. In essence, the theory of cointegration can be used to combine nonstationary variables to create a stationary combination purged of all common trends in the original data. Therefore cointegration has been seen as an effective solution to the data normalisation problem in SHM.
In spite of the fact that cointegration has proved its great potential for SHM, there does not exist any overview document about cointegration for SHM. This is the first monograph written to address both theoretical background and practical application aspect of cointegration for engineering in general, and for SHM in particular. Its main objective is to present, prove and establish a reliable data analysis/processing approach – based on the cointegration technique – for structural damage detection and process condition monitoring in the presence of changing environmental and operational conditions. The monograph is organized in two parts, in which the first part (Chapters 2–4) gives a brief and sufficient introduction to the cointegration theory as well as other relevant concepts and the second part (Chapters 5 and 6) presents some selected real-world SHM applications of the cointegration-based approach.
The applicability of the cointegration technique for SHM has been demonstrated through three case studies: (1) Lamb-wave-based damage detection in aluminium plates in the presence of temperature changes, (2) damage detection in composite plates using nonlinear acoustics under different low-frequency modal excitations, and (3) condition monitoring and fault diagnosis of wind turbines using supervisory control and data acquisition (SCADA) data acquired from a wind turbine drivetrain under varying environmental and operational conditions. These case studies have utilised four damage detection scenarios: (1) geometrical features of cointegration residuals, (2) cointegration residuals in control charts, (3) stationary statistical characteristics of cointegration residuals, and (4) wavelet variance characteristics of cointegration residuals. A new approach for the optimal selection of lag length (or the number of lags) to employ in cointegration analysis has been used for abnormal detection in these case studies. The results have showed that the cointegration-based approach can effectively compensate for the influence of environmental and operational variability in the engineering data such that damage or fault can be detected accurately and reliably.
In summary, the work presented in this monograph has successfully proved that cointegration is a suitable approach for the analysis of nonstationary SHM data, a reliable tool for the removal of environmental and operational effects from damage-sensitive features, and it is perfectly matched to SHM needs.
Monitorowanie stanu technicznego konstrukcji (ang. Structural Health Monitoring, SHM) zyskało w ostatnich latach ogromne znaczenie w przemyśle lotniczym, inżynierii lądowej, inżynierii mechanicznej, branży energii odnawialnych i wielu innych zastosowaniach inżynierskich. Detekcja uszkodzeń jest kluczowym elementem systemów SHM, a implementacja strategii wykrywania uszkodzeń – w obecności zmiennych warunków środowiskowych i warunków pracy – jest jednym z najtrudniejszych zadań w tym zakresie. Metoda kointegracji, opracowana i stosowana dotychczas w dziedzinie ekonometrii, została niedawno uznana w systemach SHM za obiecujący, bazujący na danych sposób usuwania trendów w danych pomiarowych wynikających ze zmiennych warunków środowiskowych i operacyjnych. Metoda kointegracji pozwala na równoczesną analizę wielu zmiennych niestacjonarnych w celu wyodrębnienia ich stacjonarnej kombinacji przez usunięcie wspólnych trendów z danych wejściowych. Z tego względu metoda kointegracji postrzegana jest jako efektywne narzędzie do kondycjonowania danych w systemach SHM.
Pomimo że metoda kointegracji wykazała duży potencjał w zastosowaniach SHM, nie istnieje żadna pozycja literaturowa oferująca podsumowanie prac badawczych w tym zakresie. Niniejsza monografia jest pierwszym tego typu dokumentem omawiającym podstawy teoretyczne oraz zastosowania praktyczne metody kointegracji, ze szczególnym naciskiem na zastosowania w systemach SHM. Głównym celem niniejszej pracy jest przedstawienie i omówienie procesu przetwarzania danych, wykorzystującego metodę kointegracji, w zastosowaniu do detekcji uszkodzeń w konstrukcjach i wibrodiagnostyce w zmiennych warunkach środowiskowych i operacyjnych. Monografia składa się z dwóch części. Pierwsza część (rozdziały 2–4) przedstawia wprowadzenie teoretyczne do metody kointegracji i powiązanych z nią zagadnień. Druga część (rozdziały 5 i 6) omawia wybrane przypadki zastosowań praktycznych metody kointegracji w monitorowaniu stanu technicznego konstrukcji.
Stosowalność metody kointegracji w SHM została zademonstrowana dla trzech przypadków: (1) detekcji uszkodzeń w płytach aluminiowych z wykorzystaniem fal Lamba w warunkach zmiennego pola temperatury, (2) detekcji uszkodzeń w płytach kompozytowych z wykorzystaniem metody modulacji wibroakustycznej w warunkach zmiennej amplitudy wymuszenia niskoczęstotliwościowego, (3) wibrodiagnostyka i detekcja uszkodzeń w turbinach wiatrowych na podstawie danych z systemu SCADA (ang. Supervisory Control and Data Acquisition) w zmiennych warunkach środowiskowych i operacyjnych. W tych trzech przypadkach zastosowano następujące strategie detekcji uszkodzeń: (1) analiza cech geometrycznych wartości resztkowych kointegracji, (2) analiza wartości resztkowych kointegracji w schematach sterowania, (3) analiza stacjonarnych parametrów statystycznych wartości resztkowych kointegracji, oraz (4) charakterystyka wariancji falkowej wartości resztkowych kointegracji. Zaproponowano również nowe podejście do optymalnego doboru parametru przesunięcia (ang. lag length) (lub liczby parametrów przesunięć) wykorzystywanych w metodzie kointegracji. Wyniki przeprowadzonych prac potwierdziły, że metoda kointegracji może zostać z sukcesem zastosowana do kompensacji efektów środowiskowych i zmiennych warunków pracy wpływających niekorzystnie na jakość danych wejściowych. Dzięki temu detekcja wad i uszkodzeń w materiale może zostać wykonana z większą precyzją i niezawodnością.
Podsumowując, prace omówione w niniejszej monografii dowodzą, że metoda kointegracji jest odpowiednia do analizy niestacjonarnych danych pochodzących z systemów monitorowania stanu technicznego konstrukcji. Stanowi również doskonałe narzędzie do odseparowywania zmienności wynikającej z czynników środowiskowych i operacyjnych od cech sygnału niosących informację diagnostyczną, przez co doskonale sprawdza się w systemach SHM.
Wydawnictwa nie prowadzą sprzedaży książek z serii "Rozprawy. Monografie". Zainteresowanych prosimy o kontakt z ich autorami.
- Contents
-
Summary 7
Streszczenie 9
Acknowledgements 11
1. Introduction 12
1.1. SHM and similar research fields 12
1.2. Effects of varying environmental and operational conditions on SHM 13
1.3. Why cointegration has been applied to SHM 16
1.4. A review of cointegration-based approaches for SHM 20
1.5. Motivation and scope of this monograph 24
2. Stationarity and nonstationarity 27
2.1. Definitions and basic concepts 27
2.2. Time series and stationarity 29
2.3. Unit root tests 32
2.4. The Dickey-Fuller (DF) and augmented Dickey-Fuller (ADF) tests 35
3. Cointegration method 39
3.1. Introduction to cointegration 39
3.2. Cointegration and common trends 40
3.3. Testing for cointegration 42
3.4. Johansen’s cointegration procedure 43
3.5. Testing for stationarity 45
3.6. Example using the Weierstrass–Mandelbrot cosine fractal function 46
3.7. Summary and discussion 49
4. Lag length selection in cointegration analysis used for SHM 52
4.1. Background 52
4.2. Conventional selection methods from econometrics 53
4.2.1. Methods based on the information criteria 53
4.2.2. Methods based on the likelihood ratio test 54
4.2.3. Methods based on the sequential modified likelihood ratio test 55
4.2.4. Sample size and lag length selection 56
4.3. Optimal lag length selection based on stationarity analysis used for structural damage detection 57
4.4. Summary and conclusions 59
5. Cointegration-based approach to SHM applications 60
5.1. Damage detection scenarios 60
5.1.1. Using geometrical features of cointegration residuals 61
5.1.2. Using wavelet variance characteristics of cointegration residuals 61
5.1.2.1. Fractal-based signal processing using wavelets 61
5.1.2.2. Wavelet-based fractal analysis of cointegration residuals 63
5.1.3. Using stationary statistical characteristics of cointegration residuals 63
5.2. Case study 1: Structural damage detection in aluminium plates using lamb waves under temperature variations 64
5.2.1. Lamb wave data contaminated by temperature 64
5.2.2. Lag length selection results 66
5.2.3. Damage detection results using cointegration residuals 67
5.2.4. Damage detection results using wavelet variance characteristics of cointegration residuals 70
5.2.5. Damage detection results using stationary statistical characteristics of cointegration residuals 76
5.3. Case study 2: Impact damage detection in composite plates using nonlinear acoustics under load changes 77
5.3.1. Principle of nonlinear vibro-acoustic wave modulation technique 77
5.3.2. Vibro-acoustic data for different frequencies of modal excitations 78
5.3.3. Lag length selection results 80
5.3.4. Damage detection results using stationary statistical characteristics of cointegration residuals 81
5.4. Summary and conclusions 84
6. Cointegration-based approach to condition monitoring of wind turbines 86
6.1. Introduction 86
6.2. Condition monitoring and fault diagnosis of wind turbines using SCADA data 87
6.2.1. Review of previous work 88
6.2.2. Discussion 90
6.3. Cointegration-based approach to condition monitoring of wind turbines 91
6.4. Experimental wind turbine data 93
6.5. Case study 1: Using various process parameters of the wind turbine 99
6.5.1. Optimal cointegrating vectors 99
6.5.2. Condition monitoring and fault detection using cointegration residuals 100
6.5.3. Discussion 104
6.6. Case study 2: Using only the temperature data of gearbox and generator 105
6.7. Summary and conclusions 109
7. Summary and conclusions 110
7.1. Summary 110
7.2. Conclusions 112
References 114
