پایش سلامت ارزان قیمت پل های کابلی با استفاده از تبدیل موجک فشرده و آنالیز مولفه های اصلی غیرخطی

درویشان, احسان

doi:10.22065/jsce.2017.94398.1280

پایش سلامت ارزان قیمت پل های کابلی با استفاده از تبدیل موجک فشرده و آنالیز مولفه های اصلی غیرخطی

نوع مقاله : علمی - پژوهشی

نویسنده

احسان درویشان

استادیار، گروه عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد رودهن، رودهن، ایران

10.22065/jsce.2017.94398.1280

چکیده

امروزه پایش سلامت سازه ها در بسیاری از کشورها به صورت استاندارد درآمده است. سیستمهای پایش سلامت برای سازه های بزرگ و پراهمیت سیستمهایی مجهز و شامل تعداد زیادی سنسور می باشند. لذا استفاده از آنها به علت قیمت بالا هنوز در کشور ما رایج نشده است. هدف اصلی این پژوهش ارائه یک روش ارزان قیمت پایش سلامت سازه ها بر مبنای پردازش سیگنال است. بر این اساس تنها از 3 سنسور جهت شناسایی خسارت سازه استفاده شده است. از آنجا که دقت روش پردازش سیگنال تاثیر بسزایی بر دقت روش ارائه شده خواهد داشت، در بخش اول پنج روش پردازش سیگنال مورد بررسی قرار گرفته اند. از میان این روشها دو روش نسبت به سایرین دارای قدمت بیشتری می باشند و کاربردهای فراوانی در شناسایی خسارت پیدا کرده اند و سه روش دیگر به تازگی معرفی شده اندو هنوز در مهندسی عمران زیاد مورد بررسی قرار نگرفت اند. در بخش دوم یک روش شناسایی خسارت نوین ارائه شده است. این روش ترکیبی از روشهای پردازش سیگنال به روش تبدیل موجک فشرده، خوشه بندی داده ها و رگرسیون گیری به روش شبکه های عصبی وابسته خودکار است. برای این کار از داده های پل مرجع یونگ استفاده شده است که داده های آن بر اساس ارتعاش واقعی پل ثبت شده اند. نتایج نشان می دهد روش پردازش سیگنال ارائه شده دارای دقت کافی جهت شناسایی خسارت را دارا می باشد.

کلیدواژه‌ها

موضوعات

مهندسی سازه و زلزله

عنوان مقاله [English]

Low cost health monitoring of cable stayed bridges using synchrosqueezed wavelet transform and nonlinear principal component analysis

نویسنده [English]

Ehsan Darvishan

Assistant Professor, Department of Civil Engineering, College of Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran

چکیده [English]

Today, health monitoring of structures has been standardized in many countries. Such systems for large and complex structures are equipped and include numerous sensors. Therefore, they are not yet practical in our country due to large final expenses. The main purpose of this paper is to introduce a low-cost health monitoring algorithm for structures based on signal processing. Accordingly, only three sensors are utilized to detect damage. Since the accuracy of signal processing method can affect the results of damage detection, in the first part of the paper, five signal processing methods are investigated. Among these procedures two methods are older and have widely used in damage detection. The three others are more recent and are fully investigated in civil engineering. In the second part, a new damage detection method is proposed. This method is a combination of signal processing methods by synchrosqeezed wavelet transform, clustering, and regression with autoassociative artificial neural networks. For this reason, data from Yonghe bridge is utilized which is recorded based on real vibration of the bridge. Results show that the proposed signal processing method is capable to effectively extract signal features. Also the damage detection method is capable to detect damage with acceptable accuracy

کلیدواژه‌ها [English]

health monitoring
Damage detection
Damage index
Yonghe bridge
signal proceesing

مراجع

[1] Chui CK. (1992), Wavelets: a tutorial in theory and applications. Wavelet Analysis and its Applications, San Diego, CA: Academic Press,| c1992, edited by Chui.
[1] Yan, G., L.L. Zhou, and F. Yuan. (2005), Wavelet-based built-in damage detection and identification for composites. in Smart Structures and Materials. International Society for Optics and Photonics.
[3] Xu, Y. L., Chen, B., Ng, C. L., Wong, K. Y., & Chan, W. Y. (2010). Monitoring temperature effect on a long suspension bridge. Structural Control and Health Monitoring, 17(6), 632-653.
[1] Yu, D. J., & Ren, W. X. (2005). EMD-based stochastic subspace identification of structures from operational vibration measurements. Engineering Structures, 27(12), 1741-1751.
[0] J Han, P., Li, D. W., and Li. H., (2007). Application of Hilbert-Huang transform and stochastic subspace identification for modal parameter identification of civil engineering structures,” in Proceedings of International Conference on Health Monitoring of Structure, Materials and Environment, 1(2), 216–221, 2007.
[6] J Han, P., Li, D. W., and Li. H., (2007). Modal parameter identification of civil engineering structures based on Hilbert-Huang transform,” in Engineering Structural Integrity: Research, Development and Application, 1(2), 366–368.
[7] He, X. H., Hua, X. G., Chen, Z. Q., & Huang, F. L. (2011). EMD-based random decrement technique for modal parameter identification of an existing railway bridge. Engineering Structures, 33(4), 1348-1356.
[8] Dong, Y., Li, Y., & Lai, M. (2010). Structural damage detection using empirical-mode decomposition and vector autoregressive moving average model. Soil Dynamics and Earthquake Engineering, 30(3), 133-145.
[1] Cheng-Zhong, Q., & Xu-Wei, L. (2012). Damage identification for transmission towers based on HHT. Energy Procedia, 17, 1390-1394.

[15] Esmaeel, R. A., & Taheri, F. (2012). Delamination detection in laminated composite beams using the empirical mode decomposition energy damage index. Composite Structures, 94(5), 1515-1523.
[11] Bao, C., Hao, H., & Li, Z. X. (2013). Multi-stage identification scheme for detecting damage in structures under ambient excitations. Smart Materials and Structures, 22(4), 045006.
[11] Li S, Li H, Liu Y, Lan C, Zhou W, Ou J. (2014), SMC structural health monitoring benchmark problem using monitored data from an actual cable‐stayed bridge. Structural Control and Health Monitoring.1;21(2):156-72.
[13] Daubechies I, Lu J, Wu HT. (2011), Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool. Applied and computational harmonic analysis.1;30(2):243-61.
[11] N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q. Zheng, N.C. Yen, C.C. Tung and H.H. Liu, (1998), The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis, Proceeding of the Royal Society London, A: 454
[10] Wu, Z., and Huang, N.E. (2004). “A study of the characteristics of white noise using the empirical mode decomposition method”, Proceedings of Royal Society, 2004: 460A: 1597-1611.
[16] Torres ME, Colominas MA, Schlotthauer G, Flandrin P. (2011), A complete ensemble empirical mode decomposition with adaptive noise. InAcoustics, speech and signal processing (ICASSP), 2011 IEEE international conference on 22: 4144-4147
[17] Scholz M, Fraunholz M, Selbig J. (2007), Nonlinear principal component analysis: neural network models and applications. Lecture Notes in Computational Science and Engineering.1;58:44.