شناسایی و عیب یابی سازه تیری شکل با استفاده از سیگنال های ارتعاشی بر پایه مدل شبیه سازی شده، حالت سالم واقعی و شبکه عصبی کانولوشنال عمیق

پایش وضعیت سیستم های مکانیکی اعم از سازه ها، ماشین های دوار همواره یکی از چالش های مهم محسوب می شود. در این مقاله روش جدیدی برای شناسایی و عیب یابی سازه تیری شکل در حضور عدم قطعیت هایی مانند خطاهای مدل سازی، خطاهای اندازه گیری، تغییرات بارگذاری و نویزهای محیطی بر پایه مدل شبیه سازی شده و حالت سالم واقعی ارایه شده است. در این روش، داده های سیستم سالم واقعی برای به روزرسانی پارامترهای مدل شبیه سازی شده استفاده شده است. برخی از بخش های سیگنال که مربوط به ذات سیستم نیستند با استفاده از روش تجزیه مود تجربی دسته ای کامل، حذف شده اند. یک شبکه عصبی کانولوشنال عمیق، به منظور یادگیری ویژگی های حساس به عیب از داده خام فرکانسی مدل شبیه سازی شده و حالت سالم واقعی طراحی شده است. داده های خام فرکانسی با استفاده از روش چگالی طیفی توان از سیگنال های ارتعاشی استخراج شده اند. به منظور آموزش شبکه عمیق پیشنهادی از داده های خام فرکانسی مدل شبیه سازی شده و حالت سالم واقعی استفاده می شود. پس ازآن داده های خام فرکانسی مدل واقعی برای ارزیابی شبکه عمیق پیشنهادی استفاده می شود. روش پیشنهادی با استفاده از سازه تیری شکل آزمایشگاهی ارزیابی شده است. نتایج حاصل نشان می دهد که استفاده از الگوریتم پیشنهادی برای شناسایی و عیب یابی سازه تیری شکل صحت بالاتری نسبت به سایر روش های مقایسه ای دارد.