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: 502 PDF Download: 628 |
||
| Number of Journals | 45 |
| Number of Issues | 2,243 |
| Number of Articles | 25,382 |
| Article View | 31,885,868 |
| PDF Download | 19,419,087 |