在线结构健康监测中的损伤诊断新方法：ARMA模型与Mahalanobis距离应用

本文主要探讨了"基于结构响应的损伤诊断方法及其应用"这一主题，针对在线结构健康监测的需求，研究人员利用统计模式识别技术提出了创新的结构损伤诊断策略。这种方法的关键步骤包括收集结构在健康和损伤两种工作状态下动力响应的数据，随后对这些数据进行分段处理，构建ARMA模型。ARMA模型中的AR参数被提取出来，用于特征分析，形成主成分矩阵。通过计算健康状态和损伤状态之间的Mahalanobis距离，发现损伤前后两者之间存在显著差异。 Mahalanobis距离，一种多维统计量，用来衡量两个分布间的差异程度，特别是在高维数据集中，它能够有效地捕捉到数据集的总体偏差。作者将损伤前后的Mahalanobis距离差的平方值定义为损伤敏感特征DSPR，这是一种定量指标，可以灵敏地反映结构状态的变化。进一步，他们采用假设检验中的t检验方法来鉴别结构的不同状态，即健康或损伤。 以环境激励下的IASC-A SCE Benchmark结构的损伤试验为例，研究人员验证了这种方法的有效性。实验结果显示，DSPR指标能够有效地识别出结构的健康和损伤状态，显示出良好的在线实时损伤诊断潜力。这种基于结构响应的损伤诊断方法具有重要的实际应用价值，尤其是在结构工程领域，能帮助工程师及时发现和预防结构损坏，确保结构安全运行。 本文的关键词包括损伤诊断、统计模式识别、ARMA模型、Benchmark结构以及损伤敏感指标，涵盖了理论研究和实践应用的重要方面。整个研究方法严谨，数据处理细致，为结构健康监测技术的发展提供了新的思路和技术支持。