⚡ electrical engineering

MAC-Penalised Fisher Information Criterion for Optimal Sensor Placement in Structural Health Monitoring of Lattice Tower Structure

本文提出了一种用于格构塔结构健康监测中最优传感器布置的经由MAC惩罚的费舍尔信息准则（Fisher Information Criterion），该准则通过联合最大化信息含量并抑制模态间相关性，在运行噪声水平下，相比于经典的有效独立性（Effective Independence）方法，显著提高了模态重构的尾部可靠性和试验间一致性，尽管其整体费舍尔信息量略有下降。

原作者： Zijun Yin

发布于 2026-10-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zijun Yin

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

结构健康监测是对世界上最庞大的民用结构进行持续监听的实践，这些结构从悬索桥到承载电力和电信信号的高耸格构塔不等。即使在风平浪静时，这些结构也在不断振动，而这些振动蕴含着关于结构内部状况的秘密代码。通过测量建筑物的摇摆或塔架的扭转，工程师可以识别其固有频率以及运动时呈现的特定形状，即所谓的模态振型。如果结构的某个部分出现削弱或裂缝，这些振动模式就会发生变化。为了解读这段代码，工程师会将传感器安装在结构上，但他们面临着一个物理上的限制：他们无法在巨大的塔架上每一个点都放置传感器。他们必须选择有限数量的位置，以捕捉最有用的信息。如果选择不当，传感器可能会重复监听相同的振动模式，或者更糟的是，它们可能会忽略两种非常相似运动之间的细微差别，从而导致无法判断结构是处于健康状态还是处于危险之中。

几十年来，选择这些位置的标准方法是最大化收集信息的量，这种策略在理论上运作良好，但在复杂的对称结构上往往在实践中失效。这种传统方法倾向于将传感器聚集在振动最强的区域，却忽略了某些振动模式在传感器看来几乎是完全一样的。当两种不同的振动模式产生几乎相同的信号时，系统就会变得混乱，这个问题被称为模态混叠。最近，上海同济大学的研究人员针对这一问题，开发了一种在 60 米高的格构塔上布置传感器的新方法。该方法不再仅仅是追求获取最多的信息，而是主动惩罚那些使传感器彼此过于相似的行为。他们创建了一个平衡数据需求与清晰、独特信号需求的方法，确保每一个传感器都能为结构的运动合唱贡献出独特的声音。

研究人员在一个详细的钢格构塔计算机模型上测试了他们的想法，该结构类似于一个高 60 米、具有巨大锥形 X 型支撑的梯子。这座塔有 44 个潜在的传感器安装节点，研究人员的任务是从中选出仅 12 个来监测八个特定的振动模态。被称为“有效独立性”（Effective Independence）的标准方法通常会分散这些传感器以捕捉最强烈的运动，往往会将传感器布置在塔的上部，因为那里的摇摆最为剧烈。然而，这种传统方法导致了一个关键缺陷：两个发生在非常接近频率下的特定振动模态变得无法区分。传感器的“听觉习惯”过于聚集，使得系统无法分辨这两个模态，其相关性之高几乎达到了完美程度。

作者称之为“经 MAC 惩罚的费舍尔信息法”（MAC-penalised Fisher Information）的新方法改变了游戏规则。它引入了一种惩罚机制，用于惩罚那些导致不同振动模态看起来相似的传感器布置方式。通过运行一个不断检查这种“混淆”情况的逐步选择过程，该算法迫使传感器以一种保持模态分离的方式进行分布，即使这意味着要牺牲一些原始数据的总量。在模拟中，这种方法成功地将这两个问题模态之间的混淆度降低了约 24%。代价是，传感器最终聚集在塔的下部 40% 区域，导致上半部分无人监测。虽然对于一个顶部摇摆最大的结构来说，这看起来可能违反直觉，但研究人员发现，这种特定的排列对于理清较低层更复杂振动模态的混淆信号是必要的。

当研究人员通过在测量中加入随机噪声来模拟现实世界条件时，结果揭示了一个微妙的可靠性图景。在噪声水平较高的环境下（例如大风天气），新方法的表现与传统方法不相上下，在某些情况下甚至略好。然而，在信号清晰的极安静条件下，传统方法由于收集了更多的原始信息，产生的平均结果略显精确。新方法的真正优势体现在结果的一致性上。虽然传统方法在最坏情况下偶尔会产生巨大的、不稳定的误差，但新方法保持了稳定和可靠。其误差范围要窄得多，这意味着工程师可以信任该系统能够稳定运行，即使在条件并不完美的情况下。这种可靠性对于安全至关重要，因为它确保了系统不会仅仅因为某种罕见的、不幸的噪声与传感器布置组合，就偶尔无法检测到问题。

研究结论指出，对于像格构塔这样错失结构缺陷成本极高的关键基础设施而言，能够持续区分相似振动模式的能力比榨取每一比特原始数据更有价值。这种新方法提供了一种设计传感器网络的方式，使其能够抵御混淆，从而提供更清晰、更可靠的结构健康图景。虽然这种方法需要一种折衷——即在空间覆盖范围上进行妥协，将传感器集中在塔的较低部分——但信号清晰度和一致性的提升表明，这是结构健康监测领域迈出的重要一步。研究人员指出，未来的工作将涉及在物理塔架上测试这些想法，并完善该方法以处理随时间变化的结构，但目前的模拟结果已经为重新思考我们如何“聆听”世界上最高大的结构提供了有力的论据。

技术摘要：用于格构塔结构健康监测中最优传感器布置的 MAC 惩罚费舍尔信息准则

问题陈述
最优传感器布置（OSP）是大型土木结构结构健康监测（SHM）中的一个关键挑战，特别是在可用测量通道数量相对于结构自由度（DOF）有限的情况下。经典方法（如有效独立性（EFI）法）通过最大化费舍尔信息矩阵（FIM）的行列式来实现 D-最优性，以最小化估计不确定性。然而，这些方法往往忽略了模态间的相关性。在对称或近对称结构上，EFI 倾向于将传感器聚集在主导模态空间模式相似的区域。这种聚集会导致估计模态型之间产生较高的模态保证因子（MAC）系数，从而导致严重的模态混叠和病态的模态分离，尤其是在高频模态中。现有的实践通常将 MAC 作为事后诊断手段，缺乏一种能够针对过度模态耦合进行重新优化传感器配置的机制。

方法论
本文提出了一个统一的单次优化框架，将 MAC 惩罚直接集成到传感器选择评分中。

复合目标函数： 作者定义了一个联合目标函数 $J(E) = \ln \det F(E) - \lambda \max_{i \neq j} |MAC_{ij}(E)|$ 。该公式同时实现了费舍尔信息最大化（最小化置信椭球的体积）和最大非对角线 MAC 系数抑制（最小化模态混淆）。
Min-Max 归一化： 为了解决对数行列式（通常为较小的负值）与 MAC 系数（范围 [0, 1]）之间的尺度失配问题，在每个消除步骤中应用了逐步 Min-Max 归一化方案。该方案将两种指标映射到 [0, 1]，使得惩罚权重 $\lambda$ 可以作为一个无量纲的、连续的插值参数，在纯 EFI（ $\lambda=0$ ）与纯 MAC 最小化（ $\lambda=1$ ）之间进行切换。
贪婪顺序消除： 该算法采用从全候选集开始的后向消除策略。在每一步中，移除导致复合得分归一化后下降最小的自由度。
计算效率： 为了降低计算成本，该方法利用 Woodbury 矩阵恒等式（Sherman-Morrison 公式）对 FIM 逆矩阵进行秩-1 更新。这使每步复杂度从 $O(m^3)$ 降低到 $O(m^2)$ ，其中 $m$ 为模态数。

主要贡献
本文概述了四个主要贡献：

统一优化： 一个联合优化费舍尔信息和模态独立性的单次目标函数，对比了顺序处理或事后处理的方法。
无量纲加权： 一种归一化方案，使权衡参数 $\lambda$ 具有无量纲特性且具有可解释性。
高效算法： 一个利用 Woodbury 恒等式实现高效矩阵更新的 $O(m^2)$ 贪婪算法。
定量验证： 在不同信噪比（SNR）条件下，对 3D 格构塔模型进行了严格测试，包括最差情况（第 95 百分位数）误差分析。

实验设置与结果
该方法在 60 米高的四腿 X 型支撑钢制格构塔模型（44 个节点，164 个单元，240 个自由度）上进行了验证，提取了 8 个模态。研究将所提出的 MAC-FIM 布置法（ $\lambda=0.8$ ）与随机、均匀及经典 EFI 布置法进行了对比，将传感器数量从 80 个候选点减少至 12 个。

模态独立性： 所提方法将最大非对角线 MAC 系数从 0.1974（经典 EFI）降低到了 0.7543，相对降幅为 24.4%。这特别解耦了主导的 M3–M4 弯曲模态对，该模态对在 EFI 下几乎无法区分。
空间分布： 为了实现这种解耦，MAC-FIM 将所有传感器集中在塔的下部 40% 区域（ $z \le 24$ m），而 EFI 则将传感器分布在整个高度。这代表了一种权衡，即牺牲了对塔上部的空间覆盖率以换取模态独立性。
信息损失： 模态独立性的提升是以 $\ln \det F$ 相比 EFI 减少 15.8% 为代价的。
重构精度（RMSE）：
- 高 SNR (30 dB)： 由于信息损失，MAC-FIM 的平均 RMSE 比 EFI 高出 5.3%。
- 低至中等 SNR (10–20 dB)： MAC-FIM 的表现与 EFI 相当或略优（提升高达 +1.0%），因为此时噪声主导了重构误差。
- 一致性与可靠性： 至关重要的是，MAC-FIM 展示了显著更高的稳定性。在 30 dB 时，其四分位距（IQR）为 0.0021，而 EFI 为 0.0057。此外，在 10 dB 和 20 dB SNR 水平下，MAC-FIM 的第 95 百分位数（最差情况）RMSE 比 EFI 低 3.7%。

意义与主张
论文声称，所提出的 MAC 惩罚准则提供了一种在结构上截然不同的优化路径，可以获得通过对 EFI 解进行事后 MAC 检查无法获得的配置。其主要意义在于提高了模态重构在操作相关噪声水平（10–20 dB）下的尾部可靠性（最差情况性能）和试验间一致性。作者指出，虽然由于减少了费舍尔信息，该方法在高 SNR 条件下的平均精度会受到惩罚，但大幅降低的模态间耦合使其成为那些优先考虑避免灾难性模态混叠和确保鲁棒最差情况性能，而非追求平均情况最优性的应用场景中的更佳选择。研究确定了 $\lambda$ 在 0.7 到 1.0 之间的实际适用范围，在此范围内可以实现最大的 MAC 降低，且仅需支付最小的额外信息代价。

类似论文