Fysisch gebaseerde machine learning voor mechanische systeemidentificatie

Modelparameters en systeemidentificatie zijn een belangrijk aspect in veel mechanische toepassingen. De beschikbaarheid van nauwkeurig modellen ten opzichte van experimentele gegevens is cruciaal voor een reeks methoden, van modelgebaseerde controle tot modelgebaseerde conditiebewaking. Momenteel is het meeste werk in dit opzicht gericht op het uitvoeren van dure experimenten om specifiek parameters in op fysica gebaseerde modellen te identificeren, bijvoorbeeld in modale identificatie voor het bijwerken van parameters, of door het gebruik van heuristisch ingenieursmodellen, of simpele neurale netwerken, die zijn getraind op een beperkte set metingen. Recent is echter een nieuwe benadering voorgesteld die modellen van gereduceerde orde combineert met operationele metingen om parameters te schatten voor een op fysica gebaseerd model in een handig, goedkoop kader. Deze benadering was echter slechts een eerste stap voor lineaire structurele dynamiek en vereiste nog steeds een vrij vaste modelstructuur, die zich niet altijd laat uitbreiden tot industriële toepassingen. Aan de andere kant van het spectrum hebben pure data-gedreven methoden voor machine learning de afgelopen tien jaar veel aandacht gekregen vanwege de ontwikkeling van zeer efficiënte evaluatie- en trainingsalgoritmen. Helaas vertalen veel van de ontwikkelde methoden voor algemeen gebruik niet goed naar dynamische mechanische toepassingen vanwege het relatieve gebrek aan data om de (bijvoorbeeld recurrente neurale netwerk) modellen betrouwbaar te trainen. Bovendien richten de meeste bestaande ontwikkelingen zich niet op een volledige systeemtoestandsreconstructie, maar slechts op een beperkte functie-extractie. Voor mechanische problemen is de volledige toestand van het systeem bijvoorbeeld van belang om de spanningsverdeling te evalueren. Recent zijn echter benaderingen geïntroduceerd om fysieke modelinformatie op te nemen in de definitie van het model voor machinaal leren, waardoor een model met aanzienlijk minder data kan worden getraind en de volledige modelstatus kan worden gereconstrueerd. Het doel van dit onderzoeksproject is om deze fysieke modelintegratiekaders uit te breiden tot specifieke lineaire en niet-lineaire mechanische systeemmodellen. Dit zal het mogelijk maken om een snellere, complexere en betrouwbaardere identificatie van betrouwbare mechanische systeemmodellen te verkrijgen en zal daarom een reeks nieuwe ontwikkelingen in ontwerp, conditiebewaking en -regeling mogelijk maken.