Inverse estimation of sparse mechanical excitation sources by Bayesian filtering
Inverse estimation of sparse mechanical excitation sources by Bayesian filtering
Résumé
During their operational lifetime, mechanical structures are subjected to excitations that can result in high vibration levels, leading to damage and failure not only of the structure itself, but also of on-board equipment. However, due to the limited accessibility of direct measurement and the sometimes punctual nature of these excitations, their characteristics, such as their location and time history, remain partly unknown. For this reason, inverse methods have been developed to quantify these complex sources and, in the time domain, Bayesian filters, including Kalman filters, have shown promising results for force identification with relatively low computational cost compared to other methods, such as regularization. In this context, a unified Bayesian formulation is proposed, which emphasizes the important role of initial assumptions in the prediction and estimation phases. These assumptions introduce additional constraints, such as sparsity, which significantly improve the quality of the reconstructed excitation fields. Based on this Bayesian framework and a thorough analysis of the state of the art, original filters are developed in this thesis. The performance of these filters is evaluated by numerical and experimental validations, and compared with that of existing filters.
Au cours de leur service, les structures mécaniques sont soumises à des excitations pouvant entraîner de forts niveaux vibratoires susceptibles de provoquer des dommages et des défaillances de la structure elle-même, mais aussi des équipements embarqués. Toutefois, en raison de l'accessibilité limitée à la mesure directe et de la nature parfois ponctuelle de ces excitations, leurs caractéristiques, telles que leur localisation et leur évolution dans le temps, restent partiellement inconnues. C'est pourquoi des méthodes inverses ont été mises au point pour quantifier ces sources complexes et, dans le domaine temporel, les filtres bayésiens, y compris les filtres de Kalman, ont donné des résultats prometteurs pour l'identification des forces avec un coût de calcul relativement faible par rapport à d'autres méthodes, telles que la régularisation. Dans ce contexte, une formulation bayésienne unifiée est proposée, qui met l'accent sur le rôle important des hypothèses initiales dans les phases de prédiction et d'estimation. Ces hypothèses introduisent des contraintes supplémentaires, telles que la parcimonie, qui améliorent considérablement la qualité des champs d'excitation reconstruits. Sur la base de ce cadre bayésien et d'une analyse approfondie de l'état de l'art, des filtres originaux sont développés dans ces travaux de thèse. Les performances de ces filtres sont évaluées par des validations numériques et expérimentales et comparées à celles de filtres existants.
Mots clés
Domaines
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |

