Maiņas punktu noteikšana būvju tehniskā stāvokļa monitoringā datiem uz vibrācijām balstītām metodēm ; Change point detection for structural health monitoring data with vibration based methods

Inženierzinātņu disciplīnās eksperimentāli iegūtajos laikrindu datos bieži vien ir svarīgi viennozīmīgi un efektīvi identificēt maiņas punktu. Kā piemēram, būvniecības nozarē veicot instumentētu konstrukciju tehnisko monitoringu, kur maiņas punkts var liecināt par konstrukcijas darbības izmaiņu vai bojājumu. Šajā darbā tiek analizētas trīs dažādu algoritmu (galīgo komponenšu analīze, kumulatīvo summu algoritms un robustā maiņas punktu noteikšana ar R pakotni robts) pielietojuma iespējas specifisku datu vidējās vērtības maiņas punktu noteikšanā. Darba ietvaros novērtēts iegūto rezultātu robustums un izstrādātas rekomendācijas šo algoritmu pielietošanai būvniecības nozarē, tai skaitā dažādu algoritmu parametru izvēlē. Darbā par pamatu ņemti eksperimentālie dati, kas iegūti instrumentāli monitorējot reālu konstrukcijas modeli dabiskos ārējās vides apstākļos. Konstrukcijas vibrāciju monitoringa rezultātā iegūtie dati pēc pirmsapstrādes ir sešdimensionālas laikrindas, kas sastāv no pašsvārstību frekvenču izmaiņām laikā. ; In different disciplines of engineering it is often paramount to be able to unambiguously identify change points in experimentally obtained data. One such example is civil engineering while monitoring structural health of buildings or bridges, where a change point can be a signal of structural change or damage to the structure. In this work the application of three different algorithms for structural health monitoring with vibration based methods data with the goal of detecting change points in mean values is analysed. In the scope of this work the robustness of the obtained results is evaluated and recommendations for the use of analysed algorithms in the industry are provided. As the basis for this work, experimental data obtained while monitoring the health of a model structure under the influence of environmental effects has been used. The resulting preliminary data is a set of six-dimensional time series which consist of resonance frequency changes in time.