Аннотации:
Исследованы проблемы анализа больших данных и оценки состояния конструкций в задаче мониторинга технического состояния сложных технических сооружений с помощью многосенсорных систем, измеряющих текущие параметры объекта. Задача сводится к идентификации (восстановлению) свойств объекта по измеряемым его характеристикам. Взаимосвязь временных свойств объекта и системы мониторинга определяется на этапе предварительного моделирования, для чего используются все алгоритмы моделирования от Метода Монте-Карло до RBF (радиальные базисные функции). Сущность обратной задачи идентификации рассмотрена на примере восстановления напряжений в любой точке металлической оболочки, на которой расположено разреженное множество датчиков напряжений. Для оценки данных мониторинга предложен фрактальный метод, который позволяет на каждой стадии мониторинга работать с квадратными матрицами, все характеристики которых легко вычисляются. Выделены статистически значимые параметры фракталов, обладающие необходимыми чувствительностями к малым изменениям параметров объекта. Big data analysis problems are investigated having the goal to estimate current condition of a complex structure with the help of multi- sensor system by measuring current parameters of an object. The task is reduced to identification (reconstruction) of critical object parameters controlling object safety. Interdependence of a object parameters and monitoring system are determined on the stage of modeling, any modeling algorithms, from Monte-Carlo to RBF (Radial Basic Functions) are available for this. The principle of solving the inverse identification problem Is considered using the example for stress values reconstruction in any point of metallic hull, using stress data from sparsely located stress measuring sensors. To estimate object properties from monitoring data the fractal approach is proposed, giving start to use at any monitoring stage to use square matrixes, which characteristics are easily calculated/ The statistically meaningful fractal parameters are separated, which have maximum sensitivity to small changes in object’s parameters.
