The use of heterogeneous, non-collocated measurements for nonlinear structural system identification is explored herein. In particular, this paper considers the example of sensor heterogeneity arising from the fact that both acceleration and displacement are measured at various locations of the structural system. The availability of non-collocated data might often arise in the identification of systems where the displacement data may be provided through global positioning systems (GPS). The well-known extended Kalman filter (EKF) is often used to deal with nonlinear system identification. However, as suggested in (J. Eng. Mech. 1999; 125(2):133–142), the EKF is not effective in the case of highly nonlinear problems. Instead, two techniques are examined herein, the unscented Kalman filter method (UKF), proposed by Julier and Uhlman, and the particle filter method, also known as sequential Monte Carlo method (SMC). The two methods are compared and their efficiency is evaluated through the example of a three degree-of-freedom system, involving a Bouc–Wen hysteretic component, where the availability of displacement and acceleration measurements for different DOFs is assumed. Copyright © 2008 John Wiley & Sons, Ltd.

A dual implementation of the Kalman filter is proposed for estimating the unknown input and states of a linear state-space model by using sparse noisy acceleration measurements. The successive structure of the suggested filter prevents numerical issues attributed to un-observability and rank deficiency of the augmented formulation of the problem. Furthermore, it is shown that the proposed methodology furnishes a tool to avoid the so-called drift in the estimated input and displacements commonly encountered by existing joint input and state estimation filters. It is shown that, by fine-tuning the regulatory parameters of the proposed technique, reasonable estimates of displacements and velocities of structures can be accomplished.

Damage identification forms a key objective in structural health monitoring. Several state-of-the-art review papers regarding progress in this field up to 2011 have been published. This paper summarizes the recent progress between 2011 and 2017 in the area of damage identification methods for bridge structures. This paper is organized based on the classification of bridge infrastructure in terms of fundamental structural systems, namely, beam bridges, truss bridges, arch bridges, cable-stayed bridges, and suspension bridges. The overview includes theoretical developments, enhanced simulation attempts, laboratory-scale implementations, full-scale validation, and the summary for each type of bridges. Based on the offered review, some challenges, suggestions, and future trends in damage identification are proposed. The work can be served as a basis for both academics and practitioners, who seek to implement damage identification methods in next-generation structural health monitoring systems.

Abstract Partially Observable Markov Decision Processes (POMDPs) can model complex sequential decision-making problems under stochastic and uncertain environments. A main reason hindering their broad adoption in real-world applications is the unavailability of a suitable POMDP model or a simulator thereof. Available solution algorithms, such as Reinforcement Learning (RL), typically benefit from the knowledge of the transition dynamics and the observation generating process, which are often unknown and non-trivial to infer. In this work, we propose a combined framework for inference and robust solution of POMDPs via deep RL. First, all transition and observation model parameters are jointly inferred via Markov Chain Monte Carlo sampling of a hidden Markov model, which is conditioned on actions, in order to recover full posterior distributions from the available data. The POMDP with uncertain parameters is then solved via deep RL techniques with the parameter distributions incorporated into the solution via domain randomization, in order to develop solutions that are robust to model uncertainty. As a further contribution, we compare the use of Transformers and long short-term memory networks, which constitute model-free RL solutions and work directly on the observation space, with an approach termed the belief-input method, which works on the belief space by exploiting the learned POMDP model for belief inference. We apply these methods to the real-world problem of optimal maintenance planning for railway assets and compare the results with the current real-life policy. We show that the RL policy learned by the belief-input method is able to outperform the real-life policy by yielding significantly reduced life-cycle costs.

Abstract Condition monitoring of rotating machinery offers a salient tool for predictive maintenance on rolling elements, subjected to continuous working loads, wear, fatigue, and degradation. In this study, an enhanced computational tool for bearing fault simulation and feature extraction is proposed. A subsequent identification scheme is realized, through Bayesian optimization of hyperparameters, including support vector classifier (SVC), gradient boosting (GBoost), random forest (RF), extreme gradient boosting (XBoost), light gradient boosting machine (LightGBM), and categorical boosting (CatBoost). The proposed hyperparameter optimization technique stands out from traditional methods by offering a more informed and efficient pathway to optimal performance in predictive maintenance. Utilizing Bayesian optimization for hyperparameter tuning of machine learning models, which has not been extensively explored in this field, our approach demonstrates significant advancements. Typical instances of bearing faults, like inner race, outer race, and ball faults are considered. The analysis relies on extraction of statistical and engineering features form collected response signals, including kurtosis, root mean square, peak, and ridge factor. Highly influential variables are highlighted based on feature selection and importance algorithms, allowing bearing fault classification. We demonstrate that SVC and LightGBM produce over 97% of accuracy at low computational cost. This approach constitutes a scalable and robust framework for similar applications in engineering diagnostics.

Abstract Recently, researchers have proposed an innovative negative stiffness-based vibration control concept, namely the KDamper absorber. The envisaged mechanism comprises a combination of appropriate stiffness, damping and mass elements, including a negative stiffness element. Previous studies have formulated the mathematical framework of the system, as well as design and optimization algorithms. These take into consideration the application of interest and geometrical and manufacturing limitations, regarding the vibration control components, including the realization of the negative stiffness mechanics. The KDamper has been numerically and analytically implemented as a vibration control concept for seismic protection of bridges, buildings as well as wind turbines and noise mitigation panels, while results indicated its beneficial effect towards vibration attenuation. For the first time, an experimental set-up of the proposed mechanism is designed by adopting an optimization procedure and tested under horizontal harmonic and seismic shaking. Results highlight the vibration control properties of the proposed system and validate previous numerical and analytical studies. The experimental device serves as a proof of concept of the KDamper absorber and showcases its advantages as well as application limitations that should be considered in future research.

Digital twins play an ever-increasing role in maximising the value of measurement and synthetic data by providing real-time monitoring of physical systems, integrating predictive models and creating actionable insights. This paper presents the development and implementation of the Aerosense digital twin for aerodynamic monitoring of wind turbine rotor blades. Employing low-cost, easy-to-install microelectromechanical (MEMS) sensors, the Aerosense system collects aerodynamic and acoustic data from rotor blades. This data is analysed through a cloud-based system that enables real-time analytics and predictive modelling. Our methodological approach frames digital twin development as a systems engineering problem and utilises design patterns, design thinking, and a co-design framework from applied category theory to aid in the development process. The paper details the architecture, deployment, and validation of a ‘Digital Shadow’-type twin with simulation/prediction functionalities. The solution pattern is discussed in terms of its implementation challenges and broader applicability. By providing a practical solution to integrating all the digital twin components into a holistic system, we aim to help wind energy specialists learn how to transform a conceptual idea of a digital twin into a functional implementation for any application.

Abstract The intersection of physics and machine learning has given rise to the physics-enhanced machine learning ( PEML ) paradigm, aiming to improve the capabilities and reduce the individual shortcomings of data- or physics-only methods. In this paper, the spectrum of PEML methods, expressed across the defining axes of physics and data, is discussed by engaging in a comprehensive exploration of its characteristics, usage, and motivations. In doing so, we present a survey of recent applications and developments of PEML techniques, revealing the potency of PEML in addressing complex challenges. We further demonstrate the application of select such schemes on the simple working example of a single degree-of-freedom Duffing oscillator, which allows to highlight the individual characteristics and motivations of different “genres” of PEML approaches. To promote collaboration and transparency, and to provide practical examples for the reader, the code generating these working examples is provided alongside this paper. As a foundational contribution, this paper underscores the significance of PEML in pushing the boundaries of scientific and engineering research, underpinned by the synergy of physical insights and machine learning capabilities.