پايش سلامت ارزان قيمت پل هاي كابلي با استفاده از تبديل موجك فشرده و آناليز مولفه هاي اصلي غيرخطي

Low Cost Health Monitoring of Cable Stayed Bridges using Synchrosqueezed Wavelet Transform and Nonlinear Principal Component Analysis

امروزه پايش سلامت سازه ها در بسياري از كشورها به صورت استاندارد درآمده است. سيستم هاي پايش سلامت براي سازه هاي بزرگ و پر اهميت سيستم هايي مجهز و شامل تعداد زيادي سنسور مي باشند. لذا استفاده از آنها به علت قيمت بالا هنوز در كشور ما رايج نشده است. هدف اصلي اين پژوهش ارائه يك روش ارزان قيمت پايش سلامت سازه ها بر مبناي پردازش سيگنال است. بر اين اساس تنها از 3 سنسور جهت شناسايي خسارت سازه استفاده شده است. از آنجا كه دقت روش پردازش سيگنال تاثير بسزايي بر دقت روش ارائه شده خواهد داشت، در بخش اول پنج روش پردازش سيگنال مورد بررسي قرار گرفته اند. از ميان اين روشها دو روش نسبت به سايرين داراي قدمت بيشتري مي باشند و كاربردهاي فراواني در شناسايي خسارت پيدا كرده اند و سه روش ديگر به تازگي معرفي شده اندو هنوز در مهندسي عمران زياد مورد بررسي قرار نگرفت اند. در بخش دوم يك روش شناسايي خسارت نوين ارائه شده است. اين روش تركيبي از روشهاي پردازش سيگنال به روش تبديل موجك فشرده، خوشه بندي داده ها و رگرسيون گيري به روش شبكه هاي عصبي وابسته خودكار است. براي اين كار از داده هاي پل مرجع يونگ استفاده شده است كه داده هاي آن بر اساس ارتعاش واقعي پل ثبت شده اند. نتايج نشان مي دهد روش پردازش سيگنال ارائه شده داراي دقت كافي جهت شناسايي خسارت را دارا مي باشد.

Today, health monitoring of structures has been standardized in many countries. Such systems for large and complex structures are equipped and include numerous sensors. Therefore, they are not yet practical in our country due to large final expenses. The main purpose of this paper is to introduce a low-cost health monitoring algorithm for structures based on signal processing. Accordingly, only three sensors are utilized to detect damage. Since the accuracy of signal processing method can affect the results of damage detection, in the first part of the paper, five signal processing methods are investigated. Among these procedures two methods are older and have widely used in damage detection. The three others are more recent and are fully investigated in civil engineering. In the second part, a new damage detection method is proposed. This method is a combination of signal processing methods by synchrosqeezed wavelet transform, clustering, and regression with autoassociative artificial neural networks. For this reason, data from Yonghe bridge is utilized which is recorded based on real vibration of the bridge. Results show that the proposed signal processing method is capable to effectively extract signal features. Also the damage detection method is capable to detect damage with acceptable accuracy