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.

Das Verfahren nutzt PCA, um die Messdaten auf die wichtigsten Moden zu projizieren, und das BNN, um die Feldverteilung unter Berücksichtigung von Unsicherheiten vorherzusagen. Durch HMC wird die Posterior-Verteilung exakt abgetastet. In einer Validierung mit zyklischen Vier-Punkt-Biegungstests an CFRP-Proben mit unterschiedlichen Risslängen erreichte das System eine R²‑Wert von über 0,9 und lieferte gleichzeitig Echtzeit-Unsicherheitsfelder. Die Rekonstruktion bleibt robust, selbst wenn die Messdaten Risssingularitäten enthalten.

Ein wesentlicher Beitrag ist die explizite Trennung von aleatorischer und epistemischer Unsicherheit. Diese beiden Felder ermöglichen eine lokale Diagnose, ob geringe Konfidenz auf Messrauschen oder Modellbeschränkungen zurückzuführen ist. Damit unterstützt das Framework zuverlässige Entscheidungen und bringt die strukturelle Gesundheitsüberwachung näher an die Anforderungen von digitalen Zwillingen und risikobewussten Diagnostiksystemen.