سازنده نشانگر سلامت مبتنی بر یادگیری عمیق با استفاده از واگرایی Kullback-Leibler برای پیش بینی عمر مفید باقی مانده ساختارهای بتونی

  • 2022-04-23

در این مقاله یک تکنیک جدید برای ساخت یک شاخص سلامت پرتوی بتونی بر اساس واگرایی Kullback-Leibler (KLD) و یادگیری عمیق ارائه شده است. نشانگر بهداشت (HI) ساخت و ساز بخش مهمی از رویکردهای مفید Lifetime (RUL) برای نظارت بر سلامت ساختارهای بتونی است. از طریق ساخت HI ، روند وخامت را می توان پردازش و به تصویر کشید تا بتواند به یک ماژول پیش بینی برای پیش آگهی RUL ارسال شود. پیشرفت و شکست تخریب را می توان با پیش بینی قانون بر اساس وضعیت نمونه فعلی شناسایی کرد. در نتیجه ، می توان برای کاهش خطرات ایمنی ، کاهش هزینه های مالی و طولانی شدن طول عمر مفید نمونه برنامه ریزی کرد. به تصویر کشیدن از طریق ساخت HI از داده های انتشار آکوستیک خام (AE) با استفاده از یک شبکه عصبی عمیق (DNN) انجام می شود ، که پارامترهای آن با استفاده از پیش بینی و تنظیم دقیق با استفاده از یک Autoencoder پشته (SAE) بدست می آید. واگرایی Kullback-Leibler ، که بین یک سیگنال با شرط طبیعی مرجع و یک سیگنال ناشناخته فعلی محاسبه می شود ، برای نشان دادن فرآیند خراب شدن ساختارهای بتونی ، که تاکنون برای پرتوهای بتونی مورد بررسی قرار نگرفته است ، استفاده شده است. سازنده مبتنی بر DNN سپس یاد می گیرد که HI را از داده های خام با مقادیر KLD به عنوان برچسب آموزش تولید کند. نتیجه ساخت HI با داده های تست اجرا به آتش نمونه های بتونی با دو اندازه گیری مورد بررسی قرار گرفت: تجزیه و تحلیل تناسب اندام نتیجه ساخت و پیش آگهی حاکم. نتایج تأیید اعتبار KLD در به تصویر کشیدن فرآیند وخامت را تأیید می کند ، و در مقایسه با سایر روش ها پیشرفت زیادی را نشان می دهد. علاوه بر این ، این روش نیازی به دانش ماهیتی در مورد ماهیت AE یا گسل سیستم ندارد ، که مطلوب تر از رویکردهای مبتنی بر مدل است که در آن این سطح از تخصص اجباری است. علاوه بر این ، AE نظارت ضمن خدمت را ارائه می دهد ، و این امکان را فراهم می کند که وظیفه پیش آگهی حاکم بر انجام بدون ایجاد اختلال در کار نمونه انجام شود.

1. مقدمه

با دسترسی آسان و دوام بالا ، سازه های بتونی در دهه های اخیر به یک دید همه جا تبدیل شده اند. در کنار حضور آنها در همه جا ، برای اطمینان از ایمنی ضمن خدمت و طولانی شدن طول عمر سازه های بتونی ، نیاز اجتناب ناپذیر به یک برنامه نگهداری وجود دارد. مطالعات بیشماری [1،2،3،5،5،6،8،8،9،10] توسط آزمایشگاه ها ، شرکت ها و افراد در حال انجام برای شناسایی راه حل های مربوط به بهبود عملکرد نظارت بر سلامت ساختاری (SHM) انجام شده است. با استفاده از یک طرح نظارت مؤثر ، می توان بینش بیشتری در مورد سیستم/ساختار ضمن خدمت به کاربر ارائه داد ، از خرابی های نزدیک به آینده جلوگیری کرد و با مقدار قابل توجهی کاهش زمان را کاهش داد.

در میان موضوعات SHM، پیش آگهی باقیمانده عمر مفید (RUL) یکی از نگران کننده ترین مشکلات است که در آن راه حلی برای پیش بینی مدت زمان استفاده از یک سازه تا زمانی که به دلیل خرابی (ها) به طور دائم از سرویس خارج شود ارائه می شود.). با پیش‌بینی وضعیت آتی سازه، کاربر می‌تواند زمان وقوع خرابی را تقریبی تخمین بزند، بنابراین استفاده را تنظیم کرده و برنامه تعمیر و نگهداری را از قبل آماده می‌کند. جدیدترین مطالعات [11،12،13،14،15،16] در رابطه با این موضوع بر توسعه یک سیستم مستقل متمرکز است که قادر به استخراج ویژگی(ها) از داده ها و ساختن شاخص ها بر اساس این ویژگی های استخراج شده است. یک طرح رایج برای این رویکرد به شرح زیر است: در ابتدا، حسگرها مستقر می شوند، که سپس برای جمع آوری و ارسال داده های بلادرنگ به مغز مرکزی، جایی که پردازش داده ها و ساخت نشانگر سلامت رخ می دهد، استفاده می شود.

از آنجایی که روش‌های غیرمخرب برای SHM در سال‌های اخیر غالب شده‌اند، روش‌های مختلفی برای SHM بتن مانند اولتراسونیک [5،17،18]، ارتعاش [19،20]، پردازش تصویر [3،21،22] و آکوستیک بررسی شده است. انتشار (AE) [4،12،23،24،25،26،27،28،29،30،31]. حتی اگر آزمایش اولتراسونیک می تواند عیوب داخلی و اندازه آنها را تشخیص دهد، در معرض هندسه پیچیده قطعات و مواد خاصی مانند فولاد آستنیتی است که می تواند با ایجاد تضعیف عیوب را بپوشاند. در مورد تکنیک های ارتعاش، آنها توسط باند فرکانس محدود خود محدود شده اند. علاوه بر این، اگرچه تکنیک‌های پردازش تصویر آسان‌ترین راه‌اندازی را در بین تمام روش‌های ذکر شده ارائه می‌دهند، اما تنها قادر به تشخیص خرابی‌ها در سطح هستند. در مقایسه با این روش‌های غیرمخرب، تکنیک‌های AE، که آزاد شدن انرژی الاستیک داخلی را با ظاهری ناپیوسته مطالعه و بهره‌برداری می‌کنند، ابزار نظارت غیر جهت‌گیری را ارائه می‌دهند که قادر به دستیابی به تست در حین خدمت بدون توقف زمان است [32]. تنها یک آزمایش AE می تواند به کاربران اجازه دهد تا روند زوال نمونه را به صورت پویا دنبال کنند، در حالی که شدت آسیب را برجسته می کند. اشکال این روش این است که از AE فقط می توان برای تشخیص وقوع ناپیوستگی های جدید استفاده کرد، نه ناپیوستگی های موجود. با این حال، از آنجایی که هدف آزمون AE تشخیص موارد جدید در وضعیت فعلی نمونه است، این اشکال را می توان در مقایسه با مزایایی که ارائه می دهد ناچیز در نظر گرفت. در این مطالعه، ما بر استفاده از تکنیکی با استفاده از حسگرهای AE تمرکز می‌کنیم.

سپس داده‌های جمع‌آوری‌شده توسط حسگرهای AE برای ساخت شاخص سلامت (HI) تجزیه و تحلیل می‌شوند. رویکردهای ساخت HI برای پیش‌بینی RUL، شبیه به پیش‌آگهی و چارچوب مدیریت سلامت به طور کلی، می‌توانند تقریباً به‌عنوان مبتنی بر مدل یا مبتنی بر داده طبقه‌بندی شوند. روش‌های زیر دسته اول بر تقلید فرآیند زندگی واقعی تمرکز دارند که از طریق ابزارهای ریاضی ایجاد می‌شود. با توجه به این اشکال که با پیچیده‌تر شدن مدل مشکل‌ساز می‌شود، نسبت به رویکرد مبتنی بر داده که در آن الگوهای علاقه‌مند از داده‌های موجود مشتق می‌شوند، حتی در غیاب دانش درباره ماهیت سیستم یا خطا، مطلوب‌تر است.. بنابراین، رویکرد مبتنی بر داده ها اولویت اصلی این پژوهش است. بحث بیشتر در مورد ساخت و ساز HI را می توان در بخش 2 یافت.

برای اطمینان از قابلیت اطمینان HI ساخته شده ، ارزیابی لازم است. طبق یک بررسی قبلی [33] ، ارزیابی HI با دو رویکرد انجام می شود: یکی در مورد تجزیه و تحلیل تناسب اندام نتیجه ساخت و دیگری با توجه به عملکرد پیش آگهی حاکم. بحث بیشتر در مورد چارچوب ساخت و ساز HI و ارزیابی در بخش 2 ادامه دارد.

در ابتدا ، داده های خام از نمونه در طول فرآیند وخیم آن جمع آوری می شوند. سپس برای محاسبه واگرایی Kullback-Leibler (KLD) در هر مرحله زمانی از هر سیگنال اجرا به آتش استفاده می شود. پس از آن ، سیگنال خام به سازنده HI تغذیه می شود ، جایی که طیف آن محاسبه می شود و برای کاهش پیچیدگی محاسبات استفاده می شود. رمزگذار خودکار انباشته (SAE) طیف را به عنوان ورودی برای فرآیند پیش بینی می گیرد ، که متعاقباً به خوبی در شبکه عصبی عمیق (DNN) تنظیم می شود تا خطوط HI را با KLD محاسبه شده به عنوان برچسب آموزش بسازد. سرانجام ، ارزیابی HI با استفاده از هر دو اقدامات ذاتی و پیش بینی RUL برای آزمایش قابلیت اطمینان روش پیشنهادی انجام می شود.

به طور خلاصه ، این مطالعه یک رویکرد مبتنی بر داده را برای ساخت HI بر اساس KLD ارائه می دهد ، که برای آن تخصص در مورد مواد بتونی و ماهیت فرآیند شکستگی لازم نیست. HI ساخته شده ، از طریق توانایی آن در توصیف دقیق فرآیند وخامت ساختارهای بتونی ، می تواند برای پیش آگهی RUL استفاده شود و می تواند به کاربران امکان دهد قبل از خرابی های ساختاری احتمالی در آینده نزدیک ، نگهداری را برنامه ریزی کنند. مشارکتهای زیر پیشنهاد شده است:

یک فرآیند ساخت HI جدید با استفاده از KLD برای توصیف وضعیت نمونه بتونی در طول زندگی خود به طور مستقیم از داده های خام AE ، که قبلاً به میزان دانش نویسندگان مورد بررسی قرار نگرفته است ، پیشنهاد شده است.

ترتیب بخش های زیر به شرح زیر است: بخش 2 در مورد چارچوب و ارزیابی کلی ساخت HI بحث می کند. روند ساخت HI در بخش 3 به تفصیل ارائه شده است. بخش 4 تنظیم آزمایشی و ارزیابی HI را با استفاده از دو روش مورد بحث توصیف می کند. سرانجام ، بخش 5 نتیجه گیری را به همراه بحث در مورد امکانات تحقیق آینده ارائه می دهد.

2. چارچوب ساخت و ارزیابی شاخص سلامت عمومی

HI ساخت و ساز بخش مهمی از پیش آگهی برای به تصویر کشیدن جدول زمانی وخامت است. HI وضعیتی را که نمونه مورد بررسی در آن قرار دارد نشان می دهد. با تجزیه و تحلیل HI فعلی ، می توان ارزشهای آینده و زمان آنها را پیش بینی کرد ، بنابراین اجازه می دهد که این قانون تخمین زده شود. با گذشت سالها ، مطالعات بیشمار رویکردهای مختلفی را برای ساخت HI ، به ویژه در مطالعات اخیر [34،35،36] ارائه داده اند ، و به طور خلاصه ، این روند به طور کلی می تواند به دو مرحله تقسیم شود: (1) محاسبه HI-ساخت فاکتور (ها) و (2) HI ساخت و ساز از فاکتور (های) محاسبه شده.

محاسبه فاکتور(های) سازنده HI (که به عنوان ویژگی ها نیز شناخته می شود) اغلب در حوزه زمان، فرکانس یا زمان-فرکانس انجام می شود. رویکردهای حوزه زمان [27،28،37،38] به طور کلی یک راه حل سریع و ساده ارائه می دهند که می تواند به طور گسترده برای سیستم ها و انواع خطاها قابل استفاده باشد. آنها اغلب شامل محاسبات آماری و تجزیه و تحلیل ضربه هستند. با این حال، این روش‌ها مستعد تداخل هستند، که معمولاً در کاربردهای واقعی اجتناب‌ناپذیر هستند. بنابراین، تکنیک های پیش پردازش برای به حداقل رساندن کاهش عملکرد ضروری است. راه‌حل‌های حوزه فرکانس [39،40] ناهنجاری‌های موجود در سیستم را با اطلاعات قبلی فرکانس‌های مشخصه خطا که قبلاً شناخته شده‌اند، بررسی می‌کنند. آنها اغلب در روش های مبتنی بر مدل تطبیق داده می شوند و می توانند کارایی بالایی ارائه دهند. با این حال، آنها به طور گسترده قابل استفاده نیستند. رویکردهایی که از راه حل حوزه زمان-فرکانس [41] پیروی می کنند، قوی ترین در میان این سه هستند و می توانند بسیار قوی باشند. نقطه ضعف آنها این است که چنین روش های قدرتمندی اغلب به توانایی محاسباتی و تجربه بالایی در زمینه استخراج اطلاعات نیاز دارند.

پس از آن، مرحله دوم ساخت سازنده HI است. همانطور که در بخش قبل توضیح داده شد، ساخت یک HI را می توان تقریبا به دو دسته تقسیم کرد: مبتنی بر مدل و مبتنی بر داده. روش‌های مبتنی بر مدل بر تولید یک نمایش ریاضی که یک فرآیند واقعی را تقلید می‌کند، تمرکز دارند. توسعه یک HI در این مطالعات نیاز به تخصص، دانش در مورد رفتار سیستم، ماهیت خطاها و عوامل سازنده HI دارد. به دنبال این رویکرد، مطالعات در [11،26،40،41] خطاها را با توجه به فرکانس های مربوط به خطا بررسی کردند که نشان می دهد درک سیستم و ماهیت خطا ضروری است. مطالعه دیگری در [42] یک روش ساخت HI موثر با ویژگی هایی که به صورت دستی بر اساس ارتباط انتخاب شده اند، پیشنهاد کرد. تحقیقات فوق الذکر و بسیاری دیگر با تخصص در پردازش سیگنال و رفتار سیستم و خطا انجام شده است که در سناریوهای پیچیده تر می تواند مشکل ساز باشد. علاوه بر این، نمی‌توان آنها را با تغییراتی در سیستم‌ها منطبق کرد، زیرا ساخت آنها از فرآیندهای واقعی واقعی تقلید می‌کند. بر خلاف رویکردهای مبتنی بر مدل، راه‌حل‌های مبتنی بر داده بر ماهیت خود داده‌ها تمرکز می‌کنند و نگرانی کمتری برای سیستم یا ماهیت خطا دارند. روش‌های مبتنی بر داده به دلیل پیچیدگی کمتر و کاربرد گسترده‌تر در سیستم‌ها و خطاهای مختلف، در سال‌های اخیر، به‌ویژه با ظهور هوش مصنوعی، مطلوب‌تر شده‌اند [43]. موارد قابل توجه در این دسته عبارتند از پیش بینی آماری [39،44،45]، مدل های یادگیری عمیق [12،46،47،48]، و محاسبات تکاملی [33،49] و غیره. مطالعات مختلف به دنبال این روش ها به نتایج امیدوار کننده ای درساخت HI برای کار پیش آگهی RUL.

برای تأیید HI ساخته شده، فرآیند ارزیابی باید با معیارهای مناسب انجام شود. در مورد ساخت HI برای پیش آگهی RUL، ارزیابی را می توان به طور کلی به دو دسته تقسیم کرد: بررسی ماهیت ذاتی HI از نتیجه ساخت (تحلیل تناسب اندام) و عملکرد HI در وظایف پیش آگهی RUL. تجزیه و تحلیل تناسب اندام اغلب با معیارهای زیر انجام می شود: یکنواختی [12،41] (اندازه گیری روند یکنواخت در HI)، روندپذیری [12،41] (همبستگی HI و زمان)، و شباهت مقیاس [12،41،48]] (شباهت دامنه های HI) و غیره. هدف از این نوع ارزیابی، بازتاب خصوصیات HI از طریق پیچیدگی محاسباتی کم بدون توجه به کار پیش آگهی است. علاوه بر این، دسته دوم HI را با عملکرد آن در پیش آگهی RUL ارزیابی می کند. این ارزیابی غیرمستقیم را می‌توان از طریق میانگین خطای مطلق، میانگین مربع خطا، میانگین انحراف مطلق و غیره انجام داد. با این حال، به پیچیدگی محاسباتی بیشتری نیاز دارد زیرا کل بلوک پیش آگهی اضافه شده است. روش پیشنهادی در هر دو دسته با یکنواختی و روندپذیری در ارزیابی اول و میانگین خطای مطلق در ارزیابی دوم تأیید می‌شود.

3. ساخت و ساز شاخص بهداشتی پیشنهادی

از KLD برای ساخت HI برای بررسی تفاوت یک سیگنال ناشناخته با شرایط عادی شناخته شده استفاده می شود. با پیشرفت زوال در طول تست بارگذاری، می توان انتظار داشت که تفاوت سیگنال مجهول به سیگنال مرجع با شدت فعالیت AE افزایش یابد. به همین دلیل، این تفاوت برای نمایش روند زوال از سیگنال‌های اجرا تا خرابی مناسب است. شکل 2 مراحل زوال تست بارگذاری را نشان می دهد و تفاوت بین سیگنال مرجع و سیگنالی را که در آن فعالیت های AE قابل توجهی ثبت می شود، برجسته می کند. تنظیمات دقیق آزمایشی و توضیحات داده ها در بخش 4 مورد بحث قرار گرفته است. همانطور که در شکل 2 نشان داده شده است، جابجایی عمودی نمونه به طور پیوسته در طول مرحله زوال رشد می کند، که نشان دهنده آسیب مداوم است. بنابراین، همچنین مشهود است که فعالیت های AE قابل توجهی در این دوره رخ می دهد.

در این مطالعه، سیگنال به بلوک های یک ثانیه ای (گام های زمانی) برای محاسبات تقسیم می شود. فرآیند ساخت HI با محاسبه توزیع احتمال هر سیگنال اجرا تا شکست آغاز می شود. مقادیر یک سیگنال به بخش هایی با عرض 1 × 10-3 تقسیم می شوند که از حداقل مقدار تا حداکثر آن متغیر است، که در هر یک از آنها تابع چگالی احتمال (PDF) سیگنال محاسبه می شود. نتیجه این محاسبه بعداً برای محاسبه KLD استفاده می شود.

واگرایی دو اقدامات احتمال در ابتدا توسط هارولد جفریس [50] به صورت متقارن (واگرایی های هدایت شده ، همچنین به عنوان آنتروپی های نسبی در هر جهت شناخته می شود) تعریف شده است ، که اکنون به عنوان واگرایی جفری گفته می شود. بعداً در دهه 1950 ، سلیمان كالبك و ریچارد لیبلر [51] پیشنهاد كردند كه میانگین تبعیض اطلاعات بین دو فرضیه را با توجه به اقدامات احتمالی آنها با استفاده از آنتروپی نسبی به صورت نامتقارن بررسی كنند. این مفهوم بعداً به عنوان واگرایی Kullbac k-Leibler شناخته شد. اولین زمینه آن برای تئوری اطلاعات توسعه یافته و بعداً در کارهای بهینه سازی یادگیری ماشین سازگار شد. مقدار KLD در محدوده 0 تا 1 قرار می گیرد ، که به ترتیب هیچ تفاوت و حداکثر واگرایی را نشان نمی دهد. با فرض دو توزیع احتمال P (X I) و Q (X I) از شرایط عادی مرجع و سیگنال ناشناخته ، محاسبه KLD آنها به شرح زیر است:

فرض بر این است که تمام سیگنال های اجرا به آتش از حالت عادی شروع می شوند و فعالیت AE کمی و قابل توجهی که در این دوره ثبت شده است ، شروع می شوند. بنابراین ، یک سیگنال با شرط طبیعی مرجع می تواند از همان شروع ضبط به طور خودسرانه انتخاب شود.

با مقادیر KLD ، این فرایند با ایجاد سازنده مبتنی بر DNN ادامه می یابد ، که خطوط HI را از طیف سیگنال ورودی خارج می کند. در ابتدا ، طیف سیگنال با استفاده از تبدیل سریع فوریه محاسبه می شود و سپس به طور مساوی به باند اندازه 2 × 10 3 جدا می شود که انرژی آنها می تواند با استفاده از میانگین مربع ریشه تقریبی شود. با انجام چنین عملی ، ظرفیت محاسبه را می توان برای عملیات زیر کاهش داد. پس از آن ، قبل از آموزش DNN به عنوان SAE با بردار به دست آمده از اندازه 2 × 10 3 تغذیه می شود. SAE از یک رمزگذار و رمزگشایی تشکیل شده است که هر دو شامل سه لایه متراکم هستند. رمزگذار داده ها را از طریق لایه هایی با اندازه های کاهش دهنده (1000-200-10) در رمزگذار و سپس لایه های با افزایش اندازه (200-1000-2000) در رمزگذار پردازش می کند. اولیه سازی Xavier و فعال سازی واحد خطی نمایی برای رمزگذار مهار می شوند. علاوه بر این ، لایه های ترکیبی از نرخ 0. 1 قبل از لایه های متراکم برای بهبود تنظیم SAE ضمیمه می شوند. آموزش SAE با بروزرسانی پارامتر شیب-نمودار ، بهینه سازی آدام و بخش 0. 1 از صفرهای نقاب دار به همراه یک طیف سیگنال بدون برچسب به عنوان ورودی و خروجی اجرا می شود. سر و صدا به داده های آموزشی اضافه می شود ، که باعث بازسازی ورودی پر سر و صدا می شود ، بنابراین استحکام ویژگی های آموخته شده را بهبود می بخشد.

هنگامی که آموزش SAE به پایان رسید ، تنظیم دقیق DNN از لایه های رمزگذار به عنوان لایه های پنهان DNN استفاده می شود ، که در بالای آن یک لایه رگرسیون لجستیک قرار می گیرد. مقدار KLD محاسبه شده ، که بین دامنه [0 ، 1] قرار می گیرد ، به عنوان خروجی برای آموزش DNN ، به همراه ورودی طیف سیگنال استفاده می شود. علاوه بر انجماد لایه های استفاده مجدد برای حفظ توانایی یادگیری ، از توقف زودرس و ایست بازرسی نیز برای دستیابی به پارامترهای بهتر استفاده می شود. مشابه KLD ، HI ساخته شده نیز در [0 ، 1] قرار دارد ، که نشان دهنده آسیب هایی است که نمونه از کمترین تا بیشترین در مقیاس شدت متحمل شده است.

4- راه اندازی و ارزیابی تجربی

4. 1راه اندازی آزمایشی

برای ارزیابی قابلیت اطمینان روش پیشنهادی ، داده ها از تیرهای بتونی مسلح ، که برای سناریوی تست خمش چهار نقطه ساخته و نصب شده اند ، جمع آوری و نصب شد. هر نمونه به طور یکسان با مواد بتونی با مقاومت فشاری 24 مگاپاسکال ، میلگرد فولادی D16 (SD400) تولید شد و در مربع 50 mm 50 میلی متر 2 برای تجسم بهتر نظارت بر بدتر شدن شبکه شد. داده های AE در 5 مگاهرتز از هشت سنسور R3I-AST که در اطراف هر دو انتهای یک نمونه قرار گرفته بودند ، به دست آمد. تنظیم تست خمش چهار نقطه ای و قرار دادن سنسور در شکل 3 نشان داده شده است.

هر نمونه در معرض بارگذاری متمرکز دو نقطه بود. نقاط بارگذاری 400 میلی متر از سمت چپ و راست میانه نمونه قرار گرفت و استرس با سرعت 1 میلی متر در ثانیه اعمال شد. علاوه بر این ، یک ترانسفورماتور دیفرانسیل متغیر خطی (LDVT) در زیر نمونه در مرکز آن برای اندازه گیری جابجایی عمودی تنظیم شد. این یک روش متناوب برای ردیابی آسیب های متحمل شده به غیر از نظارت بصری شکستگی های سطح نمونه است. در طول آزمایش ، نمونه ها بارگیری شدند تا آسیب به اندازه کافی زیاد باشد که نگهداری دیگر کارآمد نبود. با این حال ، فروپاشی کل برای ایمنی ناظران که شامل اعضای تیم ما و متخصصان میدان ساخت و ساز بود ، ممنوع بود. شکل 4 آسیب های ناشی از یک نمونه را در طول آزمایش نشان می دهد:

داده های سه آزمایش ، α ، β و γ ، برای این مطالعه مورد استفاده قرار گرفتند. هر تست با هشت سنسور AE با کل 24 سیگنال اجرا به آتش ثبت شد. برای هر آزمایش ، از یک طرف از یک طرف (از چهار از هشت سنسور ثبت شده است) برای فرآیندهای آموزش و بقیه برای آزمایش استفاده شده است. مدت زمان آزمایش به ترتیب 600 ، 650 و 620 ثانیه بود.

4. 2ارزیابی و بحث

همانطور که گفته شد ، قابلیت اطمینان روش پیشنهادی ما با دو ارزیابی تأیید شد: تجزیه و تحلیل تناسب اندام نتیجه ساخت و عملکرد پیش آگهی حاکم. در این بخش ، این ارزیابی ها در مقایسه با سایر روش ها نشان داده شده است. فاکتورهای پیشنهادی و دیگر سلام در شکل 5 تجسم شده است.

به منظور تجزیه و تحلیل نتیجه ساخت HI ، روند قابلیت و یکنواختی به عنوان معیارهای ارزیابی مورد استفاده قرار گرفت. در وظایف پیش آگهی ، می توان روند قابلیت را به عنوان شاخص تغییر یک ویژگی با توجه به زمان درک کرد. در عملکردهای خطی قابل مشاهده است ، در حالی که یک عملکرد ثابت حداقل روند پذیری را نشان می دهد. انتظار می رود خط حاصل از ساخت و ساز قابل اعتماد HI قابل روند باشد ، به خصوص که نمونه به شکست آن نزدیکتر می شود. در مطالعه ما ، این متریک به صورت محاسبه می شود:

علاوه بر این ، یکنواختی مشخصه کاهش یا افزایش روند را نشان می دهد. مقدار آن در محدوده [0 ، 1] است ، که نشانگر سطح بالاتری از یکنواختی در هنگام افزایش است. انتظار می رود نتیجه سلام خوب از سطح یکنواختی پایین برخوردار نباشد. محاسبه این متریک می تواند به شرح زیر انجام شود:

برای تأیید تناسب اندام HI مبتنی بر KLD ، مقایسه ای با عوامل مختلف ساختگی انجام شد. نتایج مبتنی بر دو معیار در جدول 1 نشان داده شده است.

از آنچه می توان در جدول شاهد بود ، HI و HI مبتنی بر KLD مبتنی بر AE-HIT از نظر دو معیار مربوطه نسبت به دیگران بسیار برجسته هستند. بسیاری از فاکتورهای ساختگی دیگر می توانند از روند میانه تا بالایی برخوردار باشند (به ویژه فاکتور تاج با ارزش گرایش 0. 7416 ، که بیش از هر دو AE-HIT و KLD است). با این حال ، آنها از نظر یکنواختی فاقد هستند. چنین رفتاری نشانگر خصوصیات ضعیف از روند فزاینده اساسی در پایان سلام نمونه است. KLD HI سطح بالایی از یکنواختی و روند پذیری را نشان می دهد ، به خصوص در پایان عمر مفید آن ، همانطور که در شکل 5 نشان داده شده است. این یک دلالت است که استفاده از KLD برای تصویربرداری از فرآیند وخامت یک ساختار بتونی مناسب است.

علاوه بر تجزیه و تحلیل تناسب اندام نتیجه ساخت ، HI نیز با عملکرد آن در مورد پیش آگهی حاکم ارزیابی شد. یک شبکه عصبی مکرر حافظه کوتاه مدت (LSTM-RNN) [28] برای این منظور انتخاب شد. از آنجا که هر سیگنال فرار به فای یک توالی از مقادیر در مراحل زمانی است ، می توان آن را به عنوان یک سری زمانی یک متغیره تلقی کرد. LSTM-RNN به شکل یک پنجره کشویی 50 نمونه ای که یک بار یک نمونه را حرکت می دهد ، سیگنال ها را می گیرد و نمونه 51 را پیش بینی می کند. با انجام چنین عملی ، مدل مجبور می شود نه تنها مقدار نهایی بلکه در هر پنجره سیگنال را پیش بینی کند. علاوه بر این ، با فعال کردن شیب خطای بیشتر ، سرعت تمرین و تثبیت را نیز افزایش می دهد. این مدل حاوی یک لایه ورودی ، دو لایه اندازه پنهان از 20 LSTM و یک لایه خروجی متراکم با استفاده از یک تابع فعال سازی خطی است. مشابه آموزش DNN ، توقف زودرس و تکنیک های بازرسی نیز در اینجا استفاده می شود.

اهمیت پیش آگهی حاکم با زمان افزایش می یابد. در مرحله کار عادی و بدون آسیب هنوز هم ، پیش بینی این امر ضروری است. از لحظه ورود نمونه به مرحله وخیم شدن آن ، اهمیت پیش آگهی حاکم به دلیل نیاز به برنامه ریزی نگهداری به میزان قابل توجهی رشد می کند. در نتیجه ، ما دو مرحله اصلی را در 350 و 450 برای انجام پیش بینی انتخاب کردیم که به ترتیب اولین ظاهر شکستگی های جزئی و عمده است. شکل 6 پیش بینی HI را از سه آزمایش در این مراحل زمانی نشان می دهد.

در مطالعه ما ، انقضاء مفید طول عمر در اولین وقوع 0. 95 در امتداد خط HI مشخص شده است. بنابراین ، قاعده را می توان به شرح زیر محاسبه کرد:

جایی که T 0. 95 مرحله زمانی است که HI به 0. 95 می رسد و T مرحله زمانی است که در آن پیش آگهی حاکم انجام می شود. پس از آن ، محاسبه خطا برای تعیین میزان پیش بینی RUL با قاعده واقعی مورد نیاز است:

جایی که r u l p r e d i c t e d حكم پیش بینی شده است و r u l a c t u a l قانون واقعی است. در حالی که این اندازه گیری قادر به نشان دادن فاصله بین حکم پیش بینی شده و واقعی است ، اما نمی تواند نشان دهد که کدام یک از انقضاء زندگی مفید پیش بینی شده و واقعی در درجه اول است.

نتیجه پیش بینی خلاصه در دو مرحله زمانی در جدول 2 نشان داده شده است. علاوه بر توطئه های نشان داده شده در شکل 6 ، می توان دریافت که پیش بینی از نزدیک روند اساسی HI واقعی را دنبال می کند ، خصوصاً با دو آزمایش اول. HI مبتنی بر KLD پیش بینی بهتری از RUL را در مقایسه با روش های مبتنی بر AE-HIT ، با یا بدون حذف غیر عادی (AHR) ، با حاشیه قابل توجهی ارائه می دهد. از پیش بینی انجام شده در مرحله زمانی 350 ، میانگین خطاها به ترتیب در سه آزمایش 28 ، 28 و 36 است. در مورد پیش بینی دوم ، نتیجه به طرز چشمگیری نزدیکتر است زیرا خطاهای آزمون به طور متوسط 11 ، 18 و 16 است. همچنین شایان ذکر است که رویکرد مبتنی بر KLD نیازی به دانش مهارت در مورد تجزیه و تحلیل پدیده AE ندارد همانطور که در آن انجام می شودرویکرد مبتنی بر AE. نتایج بهتر با استفاده از KLD به عنوان فاکتور ساخت سلام در مقایسه با AE می تواند با این واقعیت توضیح دهد که حتی اگر بازدید AE توضیحات بهتری از ماهیت فعالیت های AE داشته باشد ، استخراج تعداد دقیق بسیار دشوار است زیرا چندانوقایع در همان زمان اتفاق می افتد ، که منجر به همپوشانی در سیگنال دامنه زمان می شود. از طریق این فرآیند تشخیص HIT ، اطلاعات مفید هنوز هم می تواند مورد غفلت واقع شود ، در حالی که KLD هنوز هم می تواند استخراج را در حالی که بیشتر اطلاعات مفید را حفظ می کند ، استخراج کند. علاوه بر این ، پیچیدگی محاسباتی با استفاده از KLD به طور قابل توجهی کمتر است زیرا نیازی به تجزیه و تحلیل گسترده برای آستانه تشخیص ندارد ، که در رویکرد AE-HIT از اهمیت ویژه ای برخوردار است. از این آزمایش پیش آگهی حاکم و ارزیابی تناسب اندام ، می توان نتیجه گرفت که KLD به عنوان یک عامل ساختگی قابل اعتماد است. هنوز یک مشکل وجود دارد ، این بدان معناست که ، در چند مورد ، بر خلاف HI مبتنی بر AE-HIT ، پیش آگهی با استفاده از HI مبتنی بر KLD نتیجه ای را نتیجه می گیرد که در آن انقضاء مفید زندگی مفید پس از تاریخ واقعی انجام می شود. حتی اگر این در زمینه پیش بینی نامطلوب باشد ، خطا اندک است و در مطالعات آینده مورد بررسی قرار می گیرد.

5. نتیجه گیری ها

در این مقاله یک سازنده شاخص سلامت (HI) برای ماندگاری مفید طول عمر (RUL) در ساختارهای بتونی با استفاده از واگرایی Kullback-Leibler (KLD) با نظارت آکوستیک در خدمت (AE) ارائه شده است. با استفاده از HI قابل اعتماد برای کار پیش آگهی ، به کاربر می توان از شکست آینده هشدار داد و بنابراین ، می توان تعمیر و نگهداری را بر این اساس انجام داد تا خطرات ایمنی و نگرانی های مالی را به حداقل برساند. فرایند ساخت HI از داده های خام آغاز شد ، که توسط تبدیل سریع فوریه پردازش شده و برای تولید HI به یک سازنده تغذیه می شود. سازنده یک ساختار شبکه عصبی عمیق (DNN) بود که پارامترهای آن از طریق پیش تنظیم و تنظیم دقیق با یک اتوآنکر انباشته (SAE) بدست آمد. مقادیر KLD داده ها بین یک شرایط عادی مرجع و شرایط ناشناخته در یک پنجره یک ثانیه محاسبه شد ، که سپس به عنوان برچسب آموزش برای DNN مورد استفاده قرار گرفت. KLD به دلیل توانایی آن در توصیف میزان متفاوت بودن سیگنال با دیگری ، به تصویر کشیده شده است. از آنجا که وخامت نمونه های بتونی بدتر می شود ، می توان فعالیتهای مهم تری را در سیگنال AE پیش بینی کرد.

پس از آن ، ارزیابی HI ساخته شده برای تأیید قابلیت اطمینان آن در کار پیش آگهی برای نمونه های بتونی ارائه شد. ارزیابی به دو دسته تقسیم شد: تجزیه و تحلیل تناسب اندام نتیجه ساخت و پیش آگهی حاکم با استفاده از HI ساخته شده. از روند و یکنواختی به عنوان معیارهای تجزیه و تحلیل تناسب اندام استفاده شد ، که به ترتیب نتیجه 68/0 و 0. 69 را نشان داد ، به ترتیب قابل مقایسه با HI مبتنی بر AE-HIT (در 68/0 و 0. 68) و به طور قابل توجهی بهتر از سایر فاکتورهای مقایسه شده است. مقایسه ای نیز در پیش آگهی RUL در مورد HI و AE-HIT مبتنی بر HI در دو مرحله اصلی (350 و 450) انجام شد که به طور مبهم اولیه سازی شکستگی های میکرو و عمده روی نمونه ها را نشان می داد. در پیش بینی اول ، پیش بینی های RUL با استفاده از داده های سه آزمون 28 ، 28 و 36 بود ، در حالی که در دوم ، آنها به ترتیب 11 ، 18 و 16 بودند. نتیجه این مقایسه ، عملکردی از HI پیشنهادی ، به ویژه در پیش بینی دوم را نشان داد. از طریق این ارزیابی ، KLD به عنوان یک عامل قابل اعتماد برای ساخت HI نتیجه گیری شد.

در تحقیقات آینده ، ساخت و ساز HI پیشنهادی نه تنها به پرتوهای بتونی مسلح ، بلکه احتمالاً پل ها ، دیوارها و ساختمانها و غیره نیز گسترش می یابد. پیش بینی می شود که پیش پردازش نیز نمایندگی بهتری از وضعیت بهداشت نمونه ارائه دهد. سایر تکنیک ها و ساختارهای بهینه سازی نیز در کارهای آینده برای ایجاد یک مدل ساخت بهتر مورد بررسی قرار خواهد گرفت. ما همچنین هدف ما این خواهیم بود که از جنبه خاص سیستم و گسل ، به ساخت و ساز HI نزدیک شویم ، که شبیه سازی روش عنصر محدود (FEM) به همراه حالت خرابی ، اثرات و تجزیه و تحلیل بحرانی (FMECA) اجرا می شود.

کمک های نویسنده

مفهوم سازی ، T.-K. N. ، Z. A. و J.-M. K. ؛روش شناسی ، T.-K. N. ، Z. A. و J.-M. K. ؛اعتبار سنجی ، T.-K. N. ، Z. A. و J.-M. K. ؛تجزیه و تحلیل رسمی ، T.-K. N. ، Z. A. و J.-M. K. ؛منابع ، T.-K. N. ، Z. A. و J.-M. K. ؛نوشتن-پیش نویس آماده سازی ، T.-K. N. و Z. A. ؛نوشتن-بررسی و ویرایش ، J.-M. K. ؛تجسم ، T.-K. N. ؛نظارت ، J.-M. K. ؛مدیریت پروژه ، J.-M. K. ؛کسب بودجه ، J.-M. K. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.