بهینه‌سازی انتخاب ویژگی‌ها در کلان داده‌های حاصل از پایش سلامت سازه با استفاده از الگوریتم فراکاوشی

پژوهش حاضر به مبحث کلان داده‌ها در حوزه پایش سلامت سازه‌ها می‌پردازد. بدین منظور، بعد از استخراج ویژگی های پاسخ شتاب سازه، با استفاده از الگوریتم بهینه‌ساز ویژگی ‌های کم‌اثر و اضافی حذف می ‌شوند و با انتخاب ویژگی‌ های تاثیرگذار و کاهش ابعاد داده ‌ها دقت و سرعت روند عیب‌یابی سازه ‌ها افزایش می‌یابد. انتخاب زیرمجموعه‌ای از ویژگی‌ها با استفاده از الگوریتم فراکاوشی هارمونیپرندگان پیشنهادی در این پژوهش صورت خواهد پذیرفت که موجب افزایش تطبیق‌پذیری روند پیشنهادی در مواجه با کلان داده‌های ناشی از حسگرها و عدم قطعیت‌های ناشی از اختلال در داده‌های ورودی می ‌شود. در روش پیشنهادی، برای استخراج ویژگی‌های پاسخ شتاب از شاخص‌های مبتنی بر خصوصیات آماری و انرژی بسته‌ های موجکی استفاده شده است. به‌علاوه از دو الگوریتم ماشین‌بردار پشتیبان حداقل مربعات موجکی وزن‌دار و شبکه عصبی تابع پایه شعاعی به‌عنوان مدل جایگزین تحلیل اجزای محدود سازه استفاده شده و با استفاده از آنها شدت و مکان خرابی در سازه‌ها شناسایی می‌شود. به‌عنوان مسائل کاربردی، عیب‌یابی سازه بنچ مارک گروه پایش سلامت سازه iasc-asce و سازه فضاکار 120 عضوی مدنظر قرار گرفته است. نتایج نشان می‌دهد که انرژی بسته‌های موجکی حساسیت بالاتری نسبت به وجود خرابی در سازه نسبت به خصوصیات آماری دارد. به‌علاوه مقایسه الگوریتم ترکیبی هارمونیپرندگان ارائه شده با چهار الگوریتم مطرح در حوزه عیب‌یابی، نشان‌دهنده سرعت و بازدهی بهتر این الگوریتم است. درنهایت استفاده از روش پیشنهادی موجب کاهش 90 درصدی ابعاد داده‌ها در روند پایش سلامت سازه‌ ها می ‌شود

Feature Selection in Structural Health Monitoring Big Data Using a Meta-Heuristic Optimization Algorithm

This paper focuses on the processing of structural health monitoring (SHM) big data. Extracted features of a structure are reduced using an optimization algorithm to find a minimal subset of salient features by removing noisy, irrelevant and redundant data. The PSOHarmony algorithm is introduced for feature selection to enhance the capability of the proposed method for processing the measured big data, which have been collected from sensors of the structure and uncertainties associated with this process. Structural response signals under ambient vibration are preprocessed according to wavelet packet decomposition (WPD) and statistical characteristics for feature extraction. It optimizes feature vectors to be used as inputs to surrogate models based on the wavelet weighted support vector machine (WWLSSVM) and radial basis function neural network (RBFNN). Two illustrative test examples are considered, the benchmark dataset from IASCASCE SHM group and a 120bar dome truss. The results indicate that the features acquired by WPT from vibrational signal have higher sensitivity to the damage of the structure. Furthermore, the proposed PSOHarmony is compared with four wellknown metaheuristic optimization algorithms. The obtaind results show that the proposed method has a better performance and convergence rate. Finally, the proposed feature subset selection method has the capability of 90% data reduction