تشخیص خرابی در صفحه چندلایه کامپوزیت الیاف شیشه با استفاده از شبکه عصبی مصنوعی با نویز زدایی توسط انواع مختلف تبدیل های موجک مادر

خزائی, مجید; صالح زاده نوبری, علی; خزائی, مقداد

	تشخیص خرابی در صفحه چندلایه کامپوزیت الیاف شیشه با استفاده از شبکه عصبی مصنوعی با نویز زدایی توسط انواع مختلف تبدیل های موجک مادر
مهندسی مکانیک مدرس
Article 39, Volume 17, Issue 7, 1396, Pages 363-372 PDF (1.37 M)
Authors
مجید خزائی¹; علی صالح زاده نوبری^* ²; مقداد خزائی³
¹دانشگاه صنعتی امیرکبیر
²دانشگاه صنعتی امیرکبیر، دانشکده مهندسی هوافضا
³دانشگاه تربیت مدرس
Abstract
این مقاله به تشخیص ارتعاشی خرابی در چندلایه کامپوزیت الیاف شیشه با استفاده از آنالیز سیگنال زمانی و شبکه عصبی مصنوعی می‌پردازد. به‌منظور کاهش نویز سیگنال‌های ارتعاشی، نویز زدایی با استفاده از تبدیل موجک به انجام رسید. پس از داده‌کاوی و استخراج ویژگی‌های آماری از سیگنال‌های پردازش‌شده، شبکه عصبی به‌عنوان تشخیص‌دهنده، چندلایه کامپوزیت معیوب را شناسایی نمود. ارزیابی دقت تشخیص عیب توسط ساختارهای مختلف شبکه عصبی مصنوعی به انجام رسید که درنتیجه بهترین عملکرد شبکه عصبی مصنوعی در تشخیص خرابی انتخاب گردید. سپس، مقایسه میان دقت عیب‌یابی با استفاده از سیگنال‌های نویززایی شده توسط تبدیل های موجک مادر مختلف در مراحل تجزیه مختلف به انجام رسید تا بهترین تبدیل سیگنال جهت تشخیص خرابی مشخص گردد. نتایج نشان می‌دهد که ساختار شبکه عصبی مصنوعی بر دقت تشخیص عیب اثر مهمی خواهد داشت و مناسب‌ترین دقت در تعداد 75 لایه پنهان و اختصاص 80%، 10% و 10% داده ها به آموزش، اعتبارسنجی و تست حاصل گردید. همچنین استفاده از تبدیل های موجک مادر دوبشی 3 و موجک مادر دو متعامد 3.7 در مرحله تجزیه 2 منجر به تشخیص عیب با بالاترین دقت در میان سایر موجک های مادر در زمان مناسب تر خواهد شد. روش مذکور به عنوان روشی مبتنی بر داده‌های واقعی با داده برداری از نقاط تعیین شده، تشخیص عیب را در صفحات کامپوزیت با دقت مناسب در زمان محاسبه کوتاه انجام می‌دهد، لذا از این روش می‌توان جهت پایش وضعیت سازه های کامپوزیتی به‌صورت آفلاین و آنلاین، با افزودن قابلیت داده برداری برخط، استفاده نمود.
Keywords
کامپوزیت الیاف شیشه; تشخیص خرابی; شبکه عصبی; نویز زایی; تبدیل موجک
Statistics Article View: 393 PDF Download: 524

Statistics

Number of Journals	45
Number of Issues	2,174
Number of Articles	24,684
Article View	25,073,415
PDF Download	17,774,876