شناسایی و عیبیابی سازه تیری شکل با استفاده از سیگنالهای ارتعاشی بر پایه مدل شبیهسازیشده، حالت سالم واقعی و شبکه عصبی کانولوشنال عمیق

در این مقاله روش جدیدی برای شناسایی و عیب‌یابی سازه تیری شکل در حضور عدم‌ قطعیت‌هایی مانند خطاهای مدل‌سازی، خطاهای اندازه‌گیری، تغییرات بارگذاری‌ و نویزهای محیطی بر پایه مدل المان محدود و حالت سالم واقعی ارائه شده است. در این روش، داده‌های سیستم سالم واقعی برای به‌روزرسانی پارامترهای مدل المان محدود استفاده شده است. برخی از بخش‌های سیگنال‌ که مربوط به ذات سیستم نیستند با استفاده از روش تجزیه مود تجربی دسته‌ای کامل حذف شده‌اند. داده‌های خام فرکانسی با استفاده از روش چگالی طیفی توان از سیگنال‌های ارتعاشی استخراج شده‌اند. یک شبکه عصبی کانولوشنال عمیق ، به‌منظور یادگیری ویژگی‌های حساس به عیب از داده خام فرکانسی و عیب‌یابی سیستم مکانیکی طراحی شده است. به‌منظور آموزش شبکه عمیق پیشنهادی از داده‌های خام فرکانسی مدل شبیه-سازی‌شده تحت بارگذاری ساده و حالت سالم واقعی استفاده می‌شود. پس‌ازآن داده‌های خام فرکانسی مدل واقعی تحت بارگذاری پیچیده (به‌منظور فرضیات واقع‌بینانه‌تر) برای ارزیابی شبکه عمیق پیشنهادی استفاده می‌شود. روش پیشنهادی با استفاده از سازه تیری شکل آزمایشگاهی ارزیابی شده است. نتایج حاصل نشان می‌دهد که استفاده از الگوریتم پیشنهادی برای شناسایی و عیب‌یابی سازه تیری شکل تحت بارگذاری پیچیده صحت بالاتری نسبت به سایر روش‌های مقایسه‌ای دارد.