تشخيص خرابي در پل كابلي مبتني بر ويژگي‌هاي مود تجربي مؤثر در تبديل موجك تجربي

Damage Assessment of a Cable-Stayed Bridge Based on Effective Empirical Mode Features using Empirical Wavelet Transform

شناسايي هوشمندانه خسارت در سازه ­هاي زيربنايي از جمله پل­ ها به منظور بهبود عملكرد پيش ­بيني آسيب و كاهش هزينه نگهداري ضروري است. بنابراين، توسعه روش­هاي كارآمد براي تشخيص به موقع آسيب در سازه­ و تصميم­ گيري نسبت به تعمير آن از اهميت زيادي برخوردار است. در اين مقاله، يك روش جديد مبتني بر ويژگي­هاي باند فركانسي مؤثر در تحليل تبديل موجك تجربي به منظور تشخيص آسيب در پل كابلي ارائه شد كه شامل دو بخش است: (1) پردازش سيگنال و استخراج ويژگي، (2) تشخيص آسيب با استفاده از تركيب ويژگي­هاي مؤثر. در بخش اول، داده­هاي پاسخ سازه با استفاده از تبديل موجك تجربي به مودهاي تجربي تجزيه گرديد و مجموعه­ اي از ويژگي­­ها به عنوان مشخصه حساس به خرابي از طيف فركانس مودها استخراج شد. به منظور ارزيابي نتايج از طبقه­بند ماشين بردار پشتيبان استفاده گرديد. در بخش دوم، براي كاهش خطاي الگوريتم شناسايي آسيب، با استفاده از روش­هاي انتخاب ويژگي، يك زيرمجموعه بهينه حاوي اطلاعات مربوط به آسيب سازه­اي شامل تركيبي از ويژگي­هاي مهم به عنوان شاخص خرابي تعيين گرديد. براي اعتبارسنجي روش پيشنهادي از داده­هاي پاسخ پل كابلي يونگ استفاده شد. نتايج نشان داد كه دومين و سومين مود تجربي حاصل از تحليل موجك تجربي حاوي اطلاعات مرتبط با خرابي بوده و بكارگيري طيف فركانسي متناظر آن در فرآيند استخراج ويژگي، عملكرد شناسايي را نسبت به روش­هاي متداول حدود 5 درصد بهبود مي­دهد. همچنين استفاده از تركيب ويژگي­هاي مؤثر بجاي يك ويژگي تنها، دقت شناسايي را به­ حدود 94 درصد افزايش مي ­دهد.

Intelligent damage detection of civil infrastructures is vital to improve damage prediction performance and reduce maintenance costs. Therefore, the development of efficient techniques for detecting structural damages in an early stage is extremely important to support making decisions on structure repair. In this paper, a new damage detection method based on effective frequency band with empirical wavelet transform for a cable-stayed bridge was proposed which consists of two stages: (1) signal processing and feature extraction, (2) damage identification by combining effective features. In the first stage, structural response data was decomposed into empirical modes using empirical wavelet transform to obtain the component related to structural damage, and a set of features as damage-sensitive features were extracted from the frequency spectrum of modes. A support vector machine was applied to evaluate the results. In the second stage, by applying feature selection methods, an optimal subset of features that carries the most significant information about the structural damage was obtained as a damage index. Next, it was used in the feature extraction process. To verify the proposed damage detection method, response data obtained from a cable-stayed bridge, the Yonghe Bridge, was employed. Results showed that the second and third empirical modes obtained from the empirical wavelet analysis contain fault information and using its corresponding frequency spectrum in the feature extraction process improves detection performance by about 5% compared to conventional methods. It also increases the detection accuracy to about 94% by employing effective feature combinations rather than a single feature.