تشخیص وجود ترک در تیر یکسر‌گیردار با استفاده از روش حسگری فشرده(cs)

یکی از اولین مشخصات سازه آسیب دیده، تغییر در سختی موضعی سازه و در نتیجه تغییر فرکانس‌های زمانی آن می‌باشد. در سال‌های اخیر حسگری فشرده (cs) در حوزه‌ی فرکانس به موفقیت‌های قابل توجهی در مقایسه با روش‌ نمونه‌برداری نایکوئیست دست پیدا کرده است. حسگری فشرده، بر این مبنا استوار است که بیشتر سیگنال‌های زمانی وقتی در یک مبنای مناسب (مانند: مبنای موجک، فوریه و ...) نمایش داده می‌شوند پهنای باند فرکانسی آنها بالا هست و درنتیجه می‌توان در هنگام نمونه‌برداری از برخی بخش‌های طیف فرکانسی سیگنال صرف‌نظر کرد. در نتیجه می‌توان تعداد نمونه‌ها را  در مقایسه با نرخ نایکوئیست به طور چشم‌گیری کاهش داد. در این تحقیق برای نخستین بار با بکارگیری الگوریتم پایه‌های متعامد تعقیبی (omp)، و الگوریتم تکراری آستانه‌گذاری سخت (iht)، به تشخیص وجود ترک در یک تیر یکسر گیردار، با کمترین نرخ نمونه‌برداری از سیگنال آن پرداخته ‌شده است که از الگوریتم‌های شناخته شده در حسگری فشرده هستند.  نتایج عددی حاصل از این الگوریتم‌ها برتری الگوریتم (omp) در مقایسه با الگوریتم(iht) برای تشخیص وجود ترک در تیر یکسر گیردار نشان می‌دهد. نتایج حاصل از این روش حاکی از آن است هنگامی که نسبت سیگنال به نویز گاوسی (snr) کم است، روش پیشنهادی عملکرد بهتری دارد.

detecting the presence of crack in a beam with compressive sensing (cs)

one of the first characteristics of a damaged structure is a change in the local stiffness of the structure and the consequent change inits natural frequencies. in recent years, compressive sensing (cs) has achieved remarkable success compared to the nyquistsampling rate. compressive sensing is based on the fact that most natural signals are sparse when displayed on a suitable basis (suchas wavelet, fourier, etc.), so that when sampling signals, sampling of unnecessary parts of the signal can be omitted. as a result, itsignificantly reduced the number of samples compared to the nyquist rate. in this research, for the first time, an orthogonalmatching pursuit algorithm (omp) and an iterative hard-threshold algorithm (iht) to detect the presence of cracks in a beam withthe lowest signal sampling rate (snr) are used. the results of this method indicate that when the gaussian signal-to-noise ratio(snr) is low, the proposed method performs better.