تشخيص خرابي در صفحه چندلايه كامپوزيت الياف شيشه با استفاده از شبكه عصبي مصنوعي با نويز زدايي توسط انواع مختلف تبديل هاي موجك مادر

Damage detection in Glass Fiber Reinforced Plastic (GFRP) using neural network based on denoising with different mother wavelets

اين مقاله به تشخيص ارتعاشي خرابي در چندلايه كامپوزيت الياف شيشه با استفاده از آناليز سيگنال زماني و شبكه عصبي مصنوعي مي پردازد. به منظور كاهش نويز سيگنال هاي ارتعاشي، نويز زدايي با استفاده از تبديل موجك به انجام رسيد. پس از داده كاوي و استخراج ويژگي هاي آماري از سيگنال هاي پردازش شده، شبكه عصبي به عنوان تشخيص دهنده، چندلايه كامپوزيت معيوب را شناسايي نمود. ارزيابي دقت تشخيص عيب توسط ساختارهاي مختلف شبكه عصبي مصنوعي به انجام رسيد كه درنتيجه بهترين عملكرد شبكه عصبي مصنوعي در تشخيص خرابي انتخاب گرديد. سپس، مقايسه ميان دقت عيب يابي با استفاده از سيگنال هاي نويززايي شده توسط تبديل هاي موجك مادر مختلف در مراحل تجزيه مختلف به انجام رسيد تا بهترين تبديل سيگنال جهت تشخيص خرابي مشخص گردد. نتايج نشان مي دهد كه ساختار شبكه عصبي مصنوعي بر دقت تشخيص عيب اثر مهمي خواهد داشت و مناسب ترين دقت در تعداد 75 لايه پنهان و اختصاص 80%، 10% و 10% داده ها به آموزش، اعتبارسنجي و تست حاصل گرديد. همچنين استفاده از تبديل هاي موجك مادر دوبشي 3 و موجك مادر دو متعامد 3.7 در مرحله تجزيه 2 منجر به تشخيص عيب با بالاترين دقت در ميان ساير موجك هاي مادر در زمان مناسب تر خواهد شد. روش مذكور به عنوان روشي مبتني بر داده هاي واقعي با داده برداري از نقاط تعيين شده، تشخيص عيب را در صفحات كامپوزيت با دقت مناسب در زمان محاسبه كوتاه انجام مي دهد، لذا از اين روش مي توان جهت پايش وضعيت سازه هاي كامپوزيتي به صورت آفلاين و آنلاين، با افزودن قابليت داده برداري برخط، استفاده نمود.

In this paper, a vibration-based damage detection approach for multi-layered woven glass laminate using time signal processing and Neural Network (NN) is presented. Wavelet denoising technique has been applied in order to eliminate noise from the experimental extracted signals. After data mining and feature extraction from processed signals, NN is employed as a classifier to detect the damaged GFRP. Different NN structures were tested to recognize the most remarkable performance in damage detection. Also, the presented method was evaluated when different mothers of wavelets at different decomposition levels denoise signals so that the best signal processing method could be selected. Results demonstrate the effect of NN structure on the damage detection technique which, in this research, the best NN performance was obtained with 75 hidden layers and allocating 80%, 10% and 10% of data to training, evaluation and testing, respectively. Furthermore, denoising using db3 and bior3.7 mother wavelets at 2nd decomposition level leads to the highest accuracy as well as suitable calculation time compared to other mother wavelets. The proposed method based on real data at the data acquisition points detects damage in composite laminate with high accuracy at reasonable calculation time, hence it can be used for condition monitoring of composite laminate either offline or online, provided that online data acquisition equipment is implemented.