离线和在线贝叶斯滤波在结构恶化的不确定性量化中的应用
摘要：基于数据的预测性维护计划主要依赖于随机退化模型。监测信息可用于在离线（批处理）或在线（递归）贝叶斯框架中顺序更新关于时间不变的退化模型参数的知识。针对完全参数不确定性的量化，我们回顾、调整和研究了选择的贝叶斯滤波器用于参数估计：一种在线粒子滤波器，一种在线迭代批处理重要采样滤波器，该滤波器执行马尔可夫链蒙特卡罗（MCMC）移动步骤，以及一种基于蒙特卡罗马可夫序列滤波器的离线滤波器。高斯混合模型用于在三个滤波器的重采样过程中近似后验分布。两个数值实例用于比较评估离线和在线贝叶斯估计时间不变的退化模型参数。第一个案例研究考虑了一个低维非线性非高斯疲劳裂纹生长概率模型，该模型通过顺序裂纹监测测量进行更新。第二个高维线性高斯案例研究使用随机场来建模梁的腐蚀退化，该模型通过传感器进行顺序测量进行更新。数值研究揭示了离线和在线滤波器在后验估计准确性和计算成本方面的性能，当应用于不同性质、增加维度和不同传感器信息量的问题时。重要的是，它们显示了定制的在线粒子滤波器实施在计算上要求高的MCMC滤波器方面的竞争力。提供了根据问题特征选择适当方法的建议。
作者：Antonios Kamariotis, Luca Sardi, Iason Papaioannou, Eleni Chatzi, Daniel Straub
论文ID：2205.03478
分类：Computation
分类简称：stat.CO
提交时间：2023-08-02