APLICACIÓN DEL COMPRESSIVE SENSING PARA LA

RECONSTRUCCIÓN DE LAS SEÑALES MODALES.

FACULTAD DE CAMINOS, CANALES Y PUERTOS.

MÁSTER EN ESTRUCTURAS

POR: MARÍA ELOÍSA PARRA SALCEDO

GRANADA, ENERO DEL 2022

APLICACIÓN DEL COMPRESSIVE SENSING PARA LA RECONSTRUCCIÓN DE
LAS SEÑALES MODALES.

Comparado con los ensayos no destructivos el análisis basado en vibraciones permite un

análisis mixto ya sea global o local de la estructura con la posibilidad de ser aplicado en el sitio.
Decidir la ubicación óptima del sensor y el muestreo de frecuencia óptimo es un problema común
que se encuentra en muchas aplicaciones de ingeniería y es un problema crítico en la construcción
e implementación de un sistema de monitoreo de salud estructural (SHM) efectivo.

Utilizando un enfoque de "procesamiento de señales", de acuerdo con el teorema de

muestreo de Stubbs y Park para evitar el "aliasing" (Stubbs & Park, 1996), se aborda el problema
de la resolución de daños en función de la distribución espacial de los sensores. Muestran que el
daño se puede localizar dentro de una resolución espacial igual a la distancia entre los sensores
en una estructura. Por otro lado, la teoría de muestreo óptimo desarrollada por Sazonov y
Klinkhachorn permite estimar formas de modo de alta resolución teniendo en cuenta el ruido
experimental y permite evaluar incluso los daños más pequeños (Sazonov & Klinkhachorn, 2005).
Este método usa las propiedades de forma del modo de curvatura para encontrar la relación entre
los datos de muestreo óptimos y la relación señal/ruido y ha sido adaptado para el enfoque de
ondículas (Molier, Bos, & Castéra, 2006).

Las técnicas basadas en matemáticas avanzadas denominadas Compressive Sensing (CS)

benefician a múltiples campos de aplicación tales como los dispositivos con sensores, el
procesamiento de señales, compresión de imágenes, entre otros. CS se utiliza para encontrar algún
tipo de estructura subyacente detrás de la mayoría de las señales analógicas con la condición de
que estas señales sean dispersas (Candes, Romberg, & Tao, 2006). Entonces es posible adquirir
la señal a menor frecuencia de muestreo y, por lo tanto, ya no verifica la frecuencia de
Shannon/Nyquist.

¿Qué es el Compressive Sensing?

El enfoque tradicional para la adquisición de datos se basa en el teorema de Shannon-

Nyquist: para adquirir una señal con un ancho de banda de tamaño W debe ser muestreado a una
frecuencia más alta de 2 W. La detección de compresión explota el hecho de que muchas señales
reales se pueden expresar de forma escasa y la inconsistencia que existe entre ciertos tipos de
bases para reducir este número de muestras. Un vector S-disperso es un vector que tiene como
máximo S componentes distintos de cero (Candès & Wakin, 2008). Muchas señales naturales,
cuando se expresan en un base particular, tienen una representación con muchos coeficientes
significativos.
 La compresión de datos aprovecha este hecho eliminando estos coeficientes bajos, lo que
reduce ligeramente la calidad de la señal. Estas señales del mundo real (por ejemplo, sonido,
imágenes, video) se pueden ver como un Vector que sea n-dimensional. Por lo tanto, la detección
comprimida es ventajosa cuando las señales son escasas en una base conocida. Así que la ventaja
es obvia cuando las mediciones (o simulaciones) son caras y la inversión matemática es barata.
Este tipo de situaciones pueden surgir en las imágenes, redes de sensores, astronomía, análisis
modal, etc.

Reconstrucción de las señales modales

Cuando se trata de la reconstrucción de señales modales, el principio clásico es hacer una

cuadrícula regular de sensores. Los principios de CS permiten que la colocación del sensor sea
aleatoria. En computación numérica, las funciones de interpolación de superficie crean un
continuo (o predicción) superficie a partir de valores de puntos muestreados. La representación
de superficie continua de un conjunto de datos ráster representa la altura, concentración o
magnitud. Cabe señalar que siempre que la dimensión de x permanezca baja, no hay una
diferencia sustancial en términos computacionales de carga entre los dos métodos. Sin embargo,
para dimensiones más grandes (que van desde 100 modos, por ejemplo), la dimensión del
programa lineal, que es el doble de la dimensión de x, puede conducir a un tiempo de ejecución
prohibitivo.

Para un problema tan grande los métodos de descomposición/agregación pueden ayudar a

ahorrar tiempo de cálculo. De hecho, el problema lineal que tiene una estructura específica (a
menudo denota bloque-angular) la cual se puede explotar a través del algoritmo de
descomposición clásico de programación lineal a gran escala (como la descomposición de
Benders o la descomposición de Dantwig-Wolfe). Las formas modales experimentales se estiman
comúnmente a partir de los residuos obtenidos mediante el algoritmo de ajuste de curvas del
conjunto de FRF (Frecuency Respond Fuction) (DJ, 2000).

Este estudio numérico se puede comparar con una prueba experimental en la que se puede
mover el vibrómetro automáticamente y así controlar la sucesión de adquisición para cada punto
de la grilla (regular o aleatoria). Clásicamente, al usar pocos sensores, la estimación de formas de
modo no es robusta y este punto crucial se convierte en un problema cuando se trata de la
validación (o actualización) del modelo. Uno puede notar que hay una variedad de formas de
derivar una predicción para cada ubicación; cada método se denomina modelo.

Con cada modelo, se hacen diferentes suposiciones de los datos, y ciertos modelos son más
aplicables para datos específicos (por ejemplo, un modelo puede dar cuenta de la variación local
mejor que otro). Los métodos existentes de método de interpolación se pueden encontrar en:
Distancia inversa, Regresión polinomial, Kriging, Vecino más cercano, Curvatura mínima,
Función de base radial, etc ( Forrester, Sobester , & Keane, 2008). El error debido a las
incertidumbres de ubicación del sensor se puede definir por regiones de empuje (diferente radio
dependiendo de la precisión de cada sensor). Esto no se tiene en cuenta en este estudio, pero
claramente afecta la estimación de la forma modal.

CONCLUSIÓN

Se analiza y plantea la posibilidad de un enfoque diferente para el análisis modal utilizando

señales (1D, 2D) que no respeten el teorema de Shannon. Además, se propone una señal de
vibración multiarmónica simple para ilustrar los principios de Compressive Sensing. Se considera
que los trabajos futuros probarán la capacidad de CS en estructuras más complejas (estructura de
paredes delgadas) utilizando una base "optimizada" adaptada para el análisis modal experimental
utilizando la colocación aleatoria de sensores.
Referencias
Forrester, A., Sobester , A., & Keane, J. (2008). Engineering design via surrogate modelling: a
practical guide. Wiley, Chichester.

Candès, E. J., & Wakin, M. B. (2008). An introduction to compressive sampling. IEEE signal
processing magazine, 25(2), 21-30.

Candes, E. J., Romberg, J. K., & Tao, T. (2006). Stable signal recovery from incomplete and
inaccurate measurements. Communications on Pure and Applied Mathematics: A
Journal Issued by the Courant Institute of Mathematical Sciences, 59(8), 1207-1223.

DJ, E. (2000). Modal testing: theory, practice and application 2nd edition, Research studies
press, England.

Molier, J., Bos, F., & Castéra, P. (2006). Diagnosis of a portal frame using advanced signal
processing of laser vibrometer data. Journal of Sound and Vibration, 297(1-2), 420-
431.

Sazonov, E., & Klinkhachorn, P. (2005). Optimal spatial sampling interval for damage
detection by curvature or strain energy mode shapes. Journal of sound and vibration,
285(4-5), 783-801.

Stubbs, N., & Park, S. (1996). Optimal sensor placement for mode shapes via Shannon's
sampling theorem. Computer‐Aided Civil and Infrastructure Engineering, 11(6), 411-
419.