شناسايي و عيب‌يابي سازه تيري‌شكل با استفاده از سيگنال‌هاي ارتعاشي بر پايه مدل شبيه‌سازي‌شده، حالت سالم واقعي و شبكه عصبي كانولوشنال عميق

Identification and damage detection of beam-like structure using vibration signals based on simulated model, real healthy state and deep convolutional neural network

پايش وضعيت سيستم‌هاي مكانيكي اعم از سازه‌ها، ماشين‌هاي دوار همواره يكي از چالش‌هاي مهم محسوب مي‌شود. در اين مقاله روش جديدي براي شناسايي و عيب‌يابي سازه تيري شكل در حضور عدم‌ قطعيت‌هايي مانند خطاهاي مدل‌سازي، خطاهاي اندازه‌گيري، تغييرات بارگذاري‌ و نويزهاي محيطي بر پايه مدل شبيه‌سازي‌شده و حالت سالم واقعي ارائه شده است. در اين روش، داده‌هاي سيستم سالم واقعي براي به‌روزرساني پارامترهاي مدل شبيه‌سازي‌شده استفاده شده است. برخي از بخش‌هاي سيگنال‌ كه مربوط به ذات سيستم نيستند با استفاده از روش تجزيه مود تجربي دسته‌اي كامل، حذف شده‌اند. يك شبكه عصبي كانولوشنال عميق، به‌منظور يادگيري ويژگي‌هاي حساس به عيب از داده خام فركانسي مدل شبيه‌سازي‌شده و حالت سالم واقعي طراحي شده است. داده‌هاي خام فركانسي با استفاده از روش چگالي طيفي توان از سيگنال‌هاي ارتعاشي استخراج شده‌اند. به‌منظور آموزش شبكه عميق پيشنهادي از داده‌هاي خام فركانسي مدل شبيه‌سازي‌‌شده و حالت سالم واقعي استفاده مي‌شود. پس‌ازآن داده‌هاي خام فركانسي مدل واقعي براي ارزيابي شبكه عميق پيشنهادي استفاده مي‌شود. روش پيشنهادي با استفاده از سازه تيري شكل آزمايشگاهي ارزيابي شده است. نتايج حاصل نشان مي‌دهد كه استفاده از الگوريتم پيشنهادي براي شناسايي و عيب‌يابي سازه تيري‌شكل صحت بالاتري نسبت به ساير روش‌هاي مقايسه‌اي دارد.

Condition monitoring of mechanical systems, such as structures and rotating machines is always a major challenge. This paper is presented a new method for damage detection of real mechanical systems in presence of the uncertainties such as modeling errors, measurement errors, varying loading conditions, and environmental noises based on a simulated model and real healthy state. In this method, data of a real healthy system is used to updating the parameters of the simulated model. Some parts of the signals that are not related to the nature of the system are removed using the complete ensemble empirical mode decomposition method. A deep convolutional network is designed to learn damage-sensitive features from raw frequency data of simulated model and real healthy state. Raw frequency data is extracted from vibration signals using the power spectral density method. In order to train the proposed deep network, raw frequency data of the simulated model andreal healthy state are used. Then, raw frequency data of the real model are used to test the proposed deep network. The proposed method is validated using an experimental beam structure. The results show that using the proposed algorithm for identification and damage detection of the beam-like structure has more accuracy with respect to the other comparative methods