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

پایش وضعیت سیستم‌های مکانیکی اعم از سازه‌ها، ماشین‌های دوار همواره یکی از چالش‌های مهم محسوب می‌شود. 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 شبیه‌سازی‌شده و حالت سالم واقعی ارائه شده است. در این روش، داده‌های سیستم سالم واقعی برای به‌روزرسانی پارامترهای مدل شبیه‌سازی‌شده استفاده شده است. برخی از بخش‌های سیگنال‌ که مربوط به ذات سیستم نیستند با استفاده از روش تجزیه مود تجربی دسته‌ای کامل، حذف شده‌اند. یک شبکه عصبی کانولوشنال عمیق، به‌منظور یادگیری ویژگی‌های حساس به عیب از داده خام فرکانسی مدل شبیه‌سازی‌شده و حالت سالم واقعی طراحی شده است. داده‌های خام فرکانسی با استفاده از روش چگالی طیفی توان از سیگنال‌های ارتعاشی استخراج شده‌اند. به‌منظور آموزش شبکه عمیق پیشنهادی از داده‌های خام فرکانسی مدل شبیه‌سازی‌‌شده و حالت سالم واقعی استفاده می‌شود. پس‌ازآن داده‌های خام فرکانسی مدل واقعی 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 تیری‌شکل صحت بالاتری نسبت به سایر روش‌های مقایسه‌ای دارد.

identification and damage detection of beam-like structure using vibration signals based on simulated model, real healthy state and deep convolutional neural network

condition monitoring of mechanical systems, such as structures and rotating machines is always a major challenge. this paper is presented a new method for damage detection of real mechanical systems in presence of the uncertainties such as modeling errors, measurement errors, varying loading conditions, and environmental noises based on a simulated model and real healthy state. in this method, data of a real healthy system is used to updating the parameters of the simulated model. some parts of the signals that are not related to the nature of the system are removed using the complete ensemble empirical mode decomposition method. a deep convolutional network is designed to learn damage-sensitive features from raw frequency data of simulated model and real healthy state. raw frequency data is extracted from vibration signals using the power spectral density method. in order to train the proposed deep network, raw frequency data of the simulated model andreal healthy state are used. then, raw frequency data of the real model are used to test the proposed deep network. the proposed method is validated using an experimental beam structure. the results show that using the proposed algorithm for identification and damage detection of the beam-like structure has more accuracy with respect to the other comparative methods