Bayessche Netze für Echtzeit-Strukturüberwachung mit Unsicherheitsanalyse
Die Echtzeit-Analyse von Sensordaten ist für die strukturelle Gesundheitsüberwachung (SHM) von Hochwertanlagen unverzichtbar. Ein zentrales Problem besteht darin, räumlich aufgelöste Unsicherheitsfelder – sowohl aleatorische als auch epistemische – zu bestimmen, um vertrauenswürdige Entscheidungen treffen zu können. Wir stellen ein integriertes SHM-Framework vor, das Principal Component Analysis (PCA), ein bayessches neuronales Netzwerk (BNN) und Hamiltonian Monte Carlo (HMC) kombiniert, um aus wenigen Dehnmessungen vollständige Feldverteilungen mit Unsicherheitsquantifizierung zu rekonstruieren.
