Loading article…
ベイジアン運用モーダル解析 (BAYOMA) は、運用モーダル解析(OMA)にベイジアン システム同定アプローチを採用しています。運用モーダル解析は、動作条件下で測定された (出力) 振動応答 (速度、加速度など) のみを使用して、構築された構造物のモーダル特性 (固有振動数、減衰比、モード形状など) を識別することを目的としています。構造物への (入力) 励起は測定されず、「周囲」(「広帯域ランダム」) であると想定されます。ベイジアンのコンテキストでは、モーダル パラメーターのセットは、確率分布が事前分布 (データ前) から事後分布 (データ後) に更新される不確実なパラメーターまたはランダム変数と見なされます。事後分布のピークは、データによって示唆される最も可能性の高い値 ( MPV ) を表し、MPV の周りの分布の広がりは、パラメーターの残りの不確実性を反映しています。
長所と短所
(入力) 荷重情報がない場合、OMA から識別されたモード特性は、自由振動または強制振動 (既知の入力) テストを使用して識別された対応する特性よりも不確実性 (または変動性) が大幅に大きくなることがよくあります。モード パラメータの識別不確実性を定量化して計算することが重要になります。
OMA に対するベイズアプローチの利点は、ベイズの定理を介して、モデリングの仮定と確率ロジックと一致する方法でモード特性に関する統計的推論を行うためにデータ内の情報を処理するための基本的な手段を提供することです。
ベイズ法の潜在的な欠点は、理論的定式化が非ベイズ法よりも複雑で直感的ではないことです。事後分布からモーダルパラメータの統計（平均や分散など）を効率的に計算するには、アルゴリズムが必要です。非ベイズ法とは異なり、アルゴリズムは暗黙的かつ反復的であることが多いです。たとえば、最適化アルゴリズムは最も可能性の高い値の決定に関係する場合があり、品質の悪いデータでは収束しない可能性があります。
方法
ベイズ定式化は、周囲振動データのスペクトル密度行列[2]と高速フーリエ変換(FFT) [3]を使用して、時間領域[1]および周波数領域での OMA に対して開発されました。FFT データの定式化に基づいて、モードパラメータの事後統計を計算するための高速アルゴリズムが開発されました。[4] EM アルゴリズム[5]に基づく最近の開発は、より単純なアルゴリズムとコーディング作業の削減を期待させています。OMA の基本的な精度の限界が調査され、周囲振動テストの計画に使用できる一連の不確実性法則として提示されました。 [6]
接続最大尤度法
ベイズ法と最大尤度法（非ベイズ法）は異なる哲学的観点に基づいていますが、数学的には関連しています。例えば、[7]および[4]のセクション9.6を参照してください。例えば、
- 均一な事前分布を仮定すると、ベイズ法におけるパラメータの最尤値（MPV）は尤度関数が最大になる位置と等しくなり、これは最大尤度法における推定値である。
- パラメータの事後分布のガウス近似では、その共分散行列は、MPV における尤度関数の負の対数のヘッセ行列の逆行列に等しくなります。一般に、この共分散はデータに依存します。ただし、データが尤度関数として分布していると仮定すると (仮説的に、非ベイズ的)、大規模なデータ サイズでは、共分散行列は、パラメータのフィッシャー情報行列 (FIM) (非ベイズ起源) の逆行列に漸近的に等しくなります。これは、古典統計におけるCramer-Rao 境界と一致し、これは、任意の不偏推定量のアンサンブル分散の下限 (行列不等式の意味で) を示します。このような下限は、大規模なデータ サイズの最大尤度推定量によって到達できます。
- 上記の文脈では、データサイズが大きい場合、モードパラメータの漸近共分散行列は、多くの場合暗黙的に「真の」パラメータ値（非ベイズ概念）に依存します。減衰が小さい、信号対雑音比が高いなどのさらなる仮定を適用することで、共分散行列は数学的に扱いやすい漸近形式になり、OMA の達成可能な精度の限界に関する洞察が得られ、周囲振動試験計画のガイドとして使用できます。これは総称して「不確実性法則」と呼ばれます。[6]
参照
注記
- 非ベイジアンOMA [8] [9] [10]およびベイジアンOMA [4]に関するモノグラフを参照
- OMAデータセットを参照[11]
- ベイズ推論全般についてはJaynes [12]とCox [13]を参照。
- 構造ダイナミクスにおけるベイズ推定についてはベック[14]を参照（OMAに関連）
- OMAにおけるモードパラメータの不確実性は、非ベイズ的方法で定量化および計算することもできる。Pintelon et al. [15]を参照。
参考文献
- ^ Yuen, KV; Katafygiotis, LS (2001). 「アンビエントデータを使用したモーダル更新のためのベイジアン時間領域アプローチ」.確率論的工学力学. 16 (3): 219–231. doi :10.1016/S0266-8920(01)00004-2.
- ^ Yuen, KV; Katafygiotis, LS (2001). 「周囲データを用いたモード更新のためのベイズスペクトル密度アプローチ」.地震工学と構造力学. 30 (8): 1103–1123. doi :10.1002/eqe.53. S2CID 110355068.
- ^ Yuen, KV; Katafygiotis, LS (2003). 「アンビエントデータを使用したモーダル更新のためのベイジアン高速フーリエ変換アプローチ」.構造工学の進歩. 6 (2): 81–95. doi :10.1260/136943303769013183. S2CID 62564168.
- ^ abc Au, SK (2017). 運用モード解析：モデリング、推論、不確実性の法則。Springer。
- ^ Li, B.; Au, SK (2019). 「複数の（おそらく近い）モードを持つベイズ操作モード解析のための期待値最大化アルゴリズム」.機械システムと信号処理. 132 : 490–511. Bibcode :2019MSSP..132..490L. doi :10.1016/j.ymssp.2019.06.036. hdl : 10356/149983 . S2CID 199124928.
- ^ ab Au, SK; Brownjohn, JMW; Mottershead, J. (2018). 「運用モード解析における不確実性の定量化と管理」.機械システムと信号処理. 102 : 139–157. Bibcode :2018MSSP..102..139A. doi :10.1016/j.ymssp.2017.09.017. hdl : 10871/30384 .
- ^ Au, SK; Li, B. (2017). 「事後不確実性、漸近法則、および Cramér‐Rao 境界」.機械システムと信号処理. 25 (3): e2113. doi : 10.1002/stc.2113 . S2CID 55868193.
- ^ ヴァン・オーバーシェイ、P.; De Moor、B. (1996)。線形システムの部分空間の識別。ボストン: Kluwer Academic Publisher。
- ^ Schipfors, M.; Fabbrocino, G. (2014). 土木構造物の運用モード解析. Springer.
- ^ Brincker, R.; Ventura, C. (2015). 運用モード解析入門. John Wiley & Sons. doi :10.1002/9781118535141. ISBN 9781118535141。
- ^ 「運用モード解析データバース」。
- ^ Jaynes, ET (2003).確率論：科学の論理イギリス：ケンブリッジ大学出版局。
- ^ Cox, RT (1961). 『確率推論の代数』 ボルチモア: ジョンズ・ホプキンス大学出版局。
- ^ Beck, JL (2010). 「確率論理に基づくベイズシステム識別」.構造制御とヘルスモニタリング. 17 (7): 825–847. doi : 10.1002/stc.424 . S2CID 122257401.
- ^ Pintelon, R.; Guillaume, P.; Schoukens, J. (2007). 「(運用) モーダル解析における不確実性計算」.機械システムと信号処理. 21 (6): 2359–2373. Bibcode :2007MSSP...21.2359P. doi :10.1016/j.ymssp.2006.11.007.