ارائه روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب‌های خطی و غیرخطی سازه با ترکیب ویژگی‌های عمیق زمانی و زمان – فرکانس

پایش سلامت سازه‌ای (shm) برای تضمین عملکرد ایمن زیرساخت‌ها و تصمیم‌گیری در مورد نگهداری، تعمیر و مقاوم‌سازی سازه استفاده می شوند. در این مقاله روش جدیدی مبتنی بر پردازش سیگنال و یادگیری ماشین برای پایش سلامت سازه ای ارائه شده است. روش پیشنهادشده، بر مبنای ویژگی های عمیق زمانی و زمان – فرکانس است. برای استخراج ویژگی های عمیق زمان – فرکانس، ابتدا نمایش زمان – فرکانس با استفاده از تبدیل فوریه زمان پیوسته (cwt) به دست می آید و در ادامه، به شبکه عصبی تلفیقی (cnn) اعمال می شود. برای استخراج ویژگی های عمیق زمانی، توابع حالت ضمنی (imf) با استفاده از تجزیه حالت تجربی (emd) به دست آمده و شبکه حافظه طولانی کوتاه مدت (lstm)، imfها را مدل می کند. با توجه به تعداد زیاد ویژگی های عمیق به دست آمده، با استفاده از الگوریتم کاهش ویژگی، ویژگی ها با همبستگی بالا حذف شدند. در نهایت با استفاده از بردار پشتیبان ماشین (svm) بهینه شده، سلامت سازه یا محل آسیب شناسایی می شود. نتایج به دست آمده نشان می دهند روش پیشنهادی نسبت به روش های مشابه دقت بالایی در سناریوهای خطی و غیرخطی داشته و می تواند به عنوان روشی مطمئن در کابردهای shm استفاده شود.

machine learning-based structural health monitoring to detect linear and non-lineardamages by combining deep temporal and time-frequency features

structural health monitoring (shm) systems are used to ensure the safe operation of infrastructure and making decisions about the structure's maintenance, repair, and retrofitting. this paper presents a new method based on signal processing and machine learning for shm. the proposed method is based on deep temporal and time-frequency features. the time-frequency representation (tfr) is obtained using continuous time fourier transform (cwt), then trf is applied to the convolutional neural network (cnn) to extract deep time-frequency features. to extract the deep temporal features, the intrinsic mode functions (imf) are obtained using the empirical mode decomposition (emd), and the long short-term memory (lstm) network models the imfs. due to the large number of deep features, the features with high correlation were removed using the feature reduction algorithm. finally, using the optimized support vector machine (svm), the structure's health or the damage's location is identified. the results show that the proposed method is more accurate than similar methods in linear and non-linear scenarios and can be used as a reliable method in shm applications.