Structural Health Monitoring (SHM) refers to a paradigm enabling maintenance activities to be scheduled based on the forecast of the system degradation. This forecast is primarily derived from the analysis of sensor data. This dissertation presents two novel contributions, which enhance the precision of SHM, through the combination of physics-based simulations and data-driven models. The first contribution is a robust approach, that finds an optimal configuration of heterogeneous sensors, which maximizes the damage estimation confidence. This approach’s novelty lies in three aspects. First, the mathematical definition of the damage estimation process using a Kalman filter is modularly incorporated in the optimization problem’s objective function. Second, benefiting from such a definition, the Jacobian of the objective function with respect to the design variables is derived, permitting the usage of a gradient-based method. Third, within the proposed approach, a systematic algorithm for a-priori identifying the optimal number of sensors is derived. The combination of the three aspects in one approach make it customizable according to the subsequent estimation requirements and makes it applicable to complex industrial structures. The approach’s sensitivity to the number of sensors, their types, and the constraint enforcement approaches is rigorously investigated on two structures with ascending physical complexity. The proposed approach precisely estimated the accumulated damage, and consistently surpassed existing methods in literature. The robustness of the approach to complex cases is evaluated by applying it to two industrial structures under realistic operating conditions. The second contribution of this thesis is a hybrid model for fatigue damage estimation in fleets of engineering systems. Mainly two novelties are presented in this model. The first novelty is the unprecedented utilization of physical degradation models for fleet estimation. This yields an interpretable damage estimation model, in comparison to a conventional purely-data-driven model. The second novelty is the robust transferability of physics-based degradation models of one engineering system to other unidentical systems. This allows more accurate damage estimation, even where only limited physics-based models and operation data are available. The hybrid model utilizes the availability of scarce, yet accurate, physics-based degradation models, and combines them to approximate the degradation behaviour of other homogeneous structures in a fleet. The combination is performed by a data-driven weighted-mean filter. Based on the extent of similarity between fleet structures, and the current operating conditions, a data-driven algorithm assigns the suitable weights to each physics-based model. The model is tested on a fleet of beams, which included a deviant range of damage severities. To assess its robustness, the constituents and parameters of the hybrid model are vigorously varied between nominal and extreme cases. To further evaluate the applicability in an industrial environment, the model is evaluated on a realistic fleet of servomotors. On both use-cases, with only a few physics-based models, and very limited operation data, the hybrid model quantified accurately and precisely the fatigue damage accumulation in other structures of the fleet.     «

Structural Health Monitoring (SHM) refers to a paradigm enabling maintenance activities to be scheduled based on the forecast of the system degradation. This forecast is primarily derived from the analysis of sensor data. This dissertation presents two novel contributions, which enhance the precision of SHM, through the combination of physics-based simulations and data-driven models. The first contribution is a robust approach, that finds an optimal configuration of heterogeneous sensors,...     »

Structural Health Monitoring (SHM) bezieht sich auf ein Konzept, das es ermöglicht, Wartungsaktivitäten auf der Grundlage der Prognose der Systemdegradation zu planen. Diese Prognose wird aus der Analyse von Sensordaten hergeleitet. In dieser Dissertation werden zwei neuartige Beiträge vorgestellt, die durch die Kombination von physikalisch-basierten Simulationsmodellen und datengetriebenen Modellen die Präzision des SHM erhöhen. Der erste Beitrag ist ein Ansatz, der eine optimale Platzierung heterogener Sensoren findet, die die Zuverlässigkeit der Schadensabschätzung maximiert. Die Neuheit dieses Ansatzes liegt in drei Aspekten. Erstens ist die mathematische Definition eines Kalman-Filter-basierten Schadensabschätzers modular in die Zielfunktion des Optimierungsproblems integriert. Zweitens wird aus einer solchen Definition die Jacobian der Zielfunktion in Bezug auf die Designvariablen abgeleitet, was die Verwendung einer gradientenbasierten Optimierungs-Methode ermöglicht. Drittens wird im Rahmen des vorgeschlagenen Ansatzes ein systematischer Algorithmus zur a-priori-Ermittlung der optimalen Anzahl von Sensoren hergeleitet. Die Kombination der drei Aspekte in einem Ansatz ermöglicht die Anpassung der Formulierung speziell auf die individuellen Schätzanforderungen. Dadurch wird der Ansatz auf komplexe industrielle Strukturen anwendbar. Die Sensitivität des Ansatzes in Bezug auf die Anzahl der Sensoren, ihre Typen und die Ansätze f\"ur Erzwingung der Nebenbedienungen wird an zwei Strukturen mit aufsteigender physikalischer Komplexität streng untersucht. Darüber hinaus wird die Robustheit des Ansatzes für komplexe Fälle bewertet, indem er auf zwei industrielle Strukturen unter realistischen Betriebsbedingungen angewendet wird. Der vorgeschlagene Ansatz schätzt die akkumulierten Schäden akkurat ab und übertrifft die in der Literatur vorhandenen Methoden. Der zweite Beitrag dieser Arbeit ist ein hybrides Modell zur Abschätzung von Ermüdungsschäden in Flotten von technischen Systemen. Haupsächlich werden zwei Neuheiten bei diesem Modell vorgestellt. Die erste Neuheit liegt bei der neuartigen Nutzung von physikalischen Degradationsmodellen zur Flottenschätzung. Dies führt zu einem interpretierbaren Schadensabschätzungsmodell im Vergleich zu einem konventionellen, rein datengetriebenen Modell. Die zweite Neuheit liegt bei der robusten Übertragbarkeit von physikalisch-basierten Degradationsmodellen eines technischen Systems auf andere unterschiedliche Systeme. Dies ermöglicht eine genauere Schadensabschätzung, selbst wenn nur begrenzte physikalisch-basierte Modelle und Betriebsdaten zur Verfügung stehen. Das Hybridmodell nutzt die Verfügbarkeit knapper, jedoch genauer, physikalisch-basierter Degradationsmodelle und kombiniert diese, um das Degradationsverhalten anderer ähnlicher Strukturen in einer Flotte zu approximieren. Die Kombination wird durch einen datenbasierten Gewichtsmittelwertfilter durchgeführt. Basierend auf dem Ähnlichkeitsgrad der Flottenstrukturen und den aktuellen Betriebsbedingungen ordnet ein datenbasierter Algorithmus jedem physikalisch-basierten Modell die entsprechenden Gewichte zu. Das Modell wird exemplarisch an einer Flotte von Balken getestet, die einen abweichenden Bereich von Schweregraden von Schäden enthält. Um seine Robustheit zu beurteilen, werden die Bestandteile und Parameter des Hybridmodells zwischen Nominal- und Extremfällen stark variiert. Um die Anwendbarkeit im industriellen Umfeld zu bewerten, wird das Modell an einer realistischen Flotte von Servomotoren ausgewertet. In beiden Anwendungsfällen ermöglicht das Hybridmodell die Akkumulation von Ermüdungsschäden in anderen Strukturen der Flotte genau und präzise zu quantifizieren anhand weniger physikalisch-basierten Modellen und sehr beschränkten Betriebsdaten.     «

Structural Health Monitoring (SHM) bezieht sich auf ein Konzept, das es ermöglicht, Wartungsaktivitäten auf der Grundlage der Prognose der Systemdegradation zu planen. Diese Prognose wird aus der Analyse von Sensordaten hergeleitet. In dieser Dissertation werden zwei neuartige Beiträge vorgestellt, die durch die Kombination von physikalisch-basierten Simulationsmodellen und datengetriebenen Modellen die Präzision des SHM erhöhen. Der erste Beitrag ist ein Ansatz, der eine optimale Platzie...     »