ترجمه فارسی مقاله چشم انداز جدیدی در مورد تجزیه و تحلیل معین عملیاتی بیزی

چکیده

In the field of operational modal analysis (OMA), obtained modal information is frequently used to assess the current state of aerospace, mechanical, offshore and civil structures. However, the stochasticity of operational systems and the lack of forcing information can lead to inconsistent results. Quantifying the uncertainty of the recovered modal parameters through OMA is therefore of significant value. In this article, a new perspective on Bayesian OMA is proposed: a Bayesian stochastic subspace identification (SSI) algorithm. Distinct from existing approaches to Bayesian OMA, a hierarchical probabilistic model is embedded at the core of covariance-driven SSI. Through substitution of canonical correlation analysis with a Bayesian equivalent, posterior distributions over the modal properties are obtained. Two inference schemes are presented for the proposed Bayesian formulation: Markov Chain Monte Carlo and variational Bayes. Two case studies are then explored. The first is benchmark study using data from a simulated, multi degree-of-freedom, linear system. Following application of Bayesian SSI, it is shown that the same posterior is targeted and recovered by both inference schemes, with good agreement between the posterior mean and the conventional SSI result. The second study applies the variational form to data obtained from an in-service structure: The Z24 bridge. The results of this study are presented at single model orders, and then using a stabilisation diagram. The recovered posterior uncertainty is presented and compared to the classic SSI result. It is observed that the posterior distributions with mean values coinciding with the natural frequencies exhibit lower variance than values situated away from the natural frequencies.

چکیده به فارسی (ترجمه ماشینی)

در زمینه تجزیه و تحلیل معین عملیاتی (OMA) ، اطلاعات معین به دست آمده اغلب برای ارزیابی وضعیت فعلی هوافضا ، مکانیکی ، برون مرزی و مدنی استفاده می شود.با این حال ، تصادفی بودن سیستم های عملیاتی و فقدان اطلاعات مجبور می تواند منجر به نتایج متناقض شود.کمیت عدم قطعیت پارامترهای معین بازیابی شده از طریق OMA از این رو از ارزش قابل توجهی است.در این مقاله ، چشم انداز جدیدی در مورد Bayesian OMA ارائه شده است: یک الگوریتم شناسایی زیر مجموعه تصادفی بیزی (SSI).متمایز از رویکردهای موجود به OMA بیزی ، یک مدل احتمالی سلسله مراتبی در هسته SSI محور کواریانس تعبیه شده است.از طریق جایگزینی تجزیه و تحلیل همبستگی متعارف با معادل بیزی ، توزیع خلفی بر روی خواص معین بدست می آید.دو طرح استنباط برای فرمولاسیون پیشنهادی بیزی ارائه شده است: زنجیره مارکوف مونت کارلو و بیزین متغیر.سپس دو مطالعه موردی مورد بررسی قرار می گیرد.اولین مطالعه معیار با استفاده از داده های یک سیستم شبیه سازی شده ، چند درجه آزادی ، خطی است.پس از استفاده از SSI بیزی ، نشان داده می شود که همان خلفی توسط هر دو طرح استنباط هدف قرار گرفته و بازیابی می شود ، با توافق خوبی بین میانگین خلفی و نتیجه SSI معمولی.مطالعه دوم فرم متغیر را به داده های به دست آمده از یک ساختار ضمن خدمت می دهد: پل Z24.نتایج این مطالعه در سفارشات تک مدل و سپس با استفاده از نمودار تثبیت ارائه شده است.عدم قطعیت خلفی بازیابی شده ارائه شده و با نتیجه کلاسیک SSI مقایسه شده است.مشاهده شده است که توزیع های خلفی با میانگین مقادیر همزمان با فرکانس های طبیعی واریانس کمتری نسبت به مقادیر واقع در فاصله از فرکانس های طبیعی دارند.