An Information-Theoretic Method for Dynamic System Identification With Output-Only Damping Estimation

Resumo Técnico: Método de Identificação de Sistemas Dinâmicos Baseado em Teoria da Informação

1. Problema e Motivação

O artigo aborda uma limitação crítica nos sistemas de identificação de modelos dinâmicos, monitoramento estrutural e sistemas de alerta precoce: a estimativa imprecisa do amortecimento em métodos de identificação modal operacional (output-only).

• O Desafio: Os métodos atuais, frequentemente empíricos, falham em capturar com precisão o comportamento de amortecimento. Isso é crucial porque o amortecimento define a duração de eventos de vibração críticos.
• Consequência: Em sistemas de alerta para detecção de danos ou anomalias, uma estimativa incorreta de amortecimento leva a erros na previsão da duração do evento perigoso. Se a duração for subestimada ou superestimada, os sistemas de alerta podem falhar em detectar riscos reais ou gerar alarmes falsos, comprometendo a segurança de estruturas e máquinas.
• Contexto: A maioria dos sistemas opera apenas com dados de saída (vibração), sem acesso às forças de entrada (excitação), o que torna a identificação de parâmetros, especialmente o amortecimento, desafiadora.

2. Metodologia Proposta

Os autores propõem uma abordagem inovadora baseada na Teoria da Informação, especificamente utilizando a Entropia de Shannon e a Divergência de Kullback-Leibler (KL).

• Fundamento Matemático:
  • O sistema dinâmico é modelado pela equação padrão de segunda ordem: $M\ddot{x}(t) + C\dot{x}(t) + Kx(t) = f(t)$.
  • Utiliza-se uma abordagem de "apenas saída" (output-only), assumindo que a excitação é estocástica de banda larga.
  • A energia do sinal do resíduo (diferença entre a resposta medida $y[k]$ e a resposta do modelo $x[k]$) é calculada.
• Mecanismo de Seleção de Modelo:
  • O método gera múltiplos modelos candidatos variando a matriz de amortecimento (escalando-a com diferentes fatores).
  • Para cada modelo candidato, calcula-se a Divergência de Kullback-Leibler ($D_{KL}$) entre a distribuição de probabilidade dos resíduos do modelo e uma distribuição a priori (assumida como média zero e covariância unitária).
  • Critério de Otimização: O modelo que minimiza a Divergência de KL é selecionado como o ótimo. Um valor baixo de $D_{KL}$ indica que a distribuição dos resíduos do modelo se assemelha à distribuição ideal (ruído branco não correlacionado), sugerindo que o modelo capturou corretamente a dinâmica do sistema, incluindo o amortecimento.
• Objetivo Final: Monitorar níveis de vibração em tempo quase real e fornecer alertas imediatos quando limites pré-definidos são excedidos, garantindo que a duração do alerta seja calculada com precisão.

3. Validação Experimental e Resultados

O método foi validado em dois cenários distintos:

• Cenário 1: Tabela de Simulação Multi-eixo (MAST) da Universidade de Bath

  • Um sistema físico de 6 graus de liberdade submetido a excitação de base do tipo impacto.
  • Foram testados 5 modelos com fatores de escala de amortecimento (de 10% a 500% do valor identificado).
  • Resultado: O método identificou corretamente o modelo ótimo. A comparação da duração dos eventos (tempo que o sinal excede um limiar) entre os dados experimentais e o modelo mostrou que o modelo selecionado via KL coincidia com a realidade, enquanto modelos sub-amortecidos ou super-amortecidos falhavam em prever a duração correta do alerta.

• Cenário 2: Problema Benchmark IASC–ASCE

  • Aplicação em uma estrutura de aço de 4 andares (estrutura de referência para monitoramento de saúde estrutural).
  • Utilização de dados de impacto de martelo e vibração ambiental com 15 acelerômetros.
  • Resultado: O método selecionou o modelo de amortecimento que melhor replicou a resposta temporal e a distribuição de sensores ativados durante eventos de alerta. A análise de duração de eventos para diferentes limiares de aceleração confirmou a superioridade do modelo ótimo em relação aos modelos candidatos alternativos.

• Detecção de Danos e Anomalias:

  • O estudo também explorou a capacidade do modelo de detectar mudanças estruturais (danos).
  • Quando a estrutura sofreu alterações significativas (casos de dano diferentes), o modelo treinado apresentou desvios nos resíduos e na duração dos eventos, indicando a presença de anomalias.
  • Limitação Identificada: O método não consegue extrapolar com precisão para condições de excitação ou danos totalmente fora do conjunto de dados de treinamento sem recalibração. No entanto, essa falha em prever é útil para sinalizar que a estrutura mudou (detecção de dano).

4. Contribuições Principais

1. Novo Paradigma de Identificação: Introdução de uma métrica baseada em teoria da informação (Divergência de KL) para selecionar modelos dinâmicos e estimar amortecimento sem necessidade de dados de entrada (força).
2. Precisão em Alertas de Duração: Resolução do problema de estimativa de duração de eventos críticos, essencial para sistemas de alerta precoce e segurança estrutural.
3. Eficiência Computacional: O método demonstra ser computacionalmente viável para aplicações em tempo quase real (tempo de execução de ~2 segundos para o benchmark complexo em hardware padrão), superando métodos Bayesianos complexos em termos de velocidade, mantendo robustez.
4. Robustez: O método mostrou-se robusto a variações na distribuição a priori assumida e capaz de integrar dados de múltiplos sensores em um único índice de desempenho.
5. Comparação com Outras Métricas: O estudo demonstrou que a Divergência de KL é superior a outras medidas de entropia (como Entropia de Rényi e Divergência Jensen-Shannon) para este propósito, pois apresenta um mínimo distinto e claro para o modelo ótimo, ao contrário das outras que exibem comportamentos monótonos ou pouco discriminatórios.

5. Significado e Impacto

Este trabalho oferece uma ferramenta poderosa para a identificação de sistemas dinâmicos e monitoramento de saúde estrutural (SHM). Ao corrigir a estimativa de amortecimento, o método permite que os sistemas de alerta precoce operem com maior confiabilidade, evitando falsos negativos ou positivos baseados na duração do evento.

A abordagem facilita a criação de Gêmeos Digitais (Digital Twins) mais precisos, onde a representação virtual da estrutura pode ser atualizada dinamicamente para refletir o comportamento real, permitindo não apenas a detecção reativa de falhas, mas também a previsão de desvios antes que os limites críticos sejam atingidos. A metodologia é particularmente valiosa para infraestruturas críticas onde a entrada de dados é limitada a sensores de vibração (saída apenas).