تشخيص آسيب ديدگي در پل هاي كابلي با استفاده از آناليز دامنه فركانس و خوشه بندي داده ها

Damage detection of cable-stayed bridges using frequency domain analysis and clustering

پل هاي كابلي از جمله شريان هاي حياتي با اهميت زياد هستند كه همه ساله هزينه هاي بالايي صرف تعمير و نگهداري آنها مي شود. پايش سلامت اين پل ها مي تواند از خسارت هاي مالي و جاني نامطلوب بكاهد. در اين مقاله يك روش پايش سلامت پل هاي كابلي بر اساس پردازش سيگنال و خوشه بندي داده ها ارائه شده است. از آنجا كه دقت روش پردازش سيگنال مي تواند به شدت بر دقت شناسايي خسارت تاثير گذار باشد، در بخش اول مقاله، ابتدا مقايسه اي شده است بين كارايي روش محبوب FDD و دو روش جديدتر AFDD و TDD كه تعدادي از ضعف هاي اين روش را برطرف كرده اند، و در نهايت روشي كه كارامدتر مي باشد انتخاب شده است. از ميان اين روشها، روش FDD با موفقيت در بسياري از روشهاي مبتني بر پردازش سيگنال به كار رفته است ولي روشهاي جديدتر AFDD و TDD هنوز به اندازه FDD مورد مطالعه قرار نگرفته اند. در بخش دوم با بهره گيري از شبكه عصبي رقابتي براي خوشه بندي فركانسها، يك شاخص خسارت جديد با محاسبه فاصله اقليدسي مراكز خوشه ها ارائه شده است. نتايج نشان مي دهد كه روش ارائه شده مي تواند با دقت مناسبي حالت هاي سالم و آسيب را از يكديگر تفكيك كند.

Cable-stayed bridges are vital structures which need significant maintenance and repair costs every year. Therefore, health monitoring of such structures can mitigate human and financial losses. In this paper, a damage detection method for cable-stayed bridges is proposed using signal processing and clustering. Since the accuracy of signal processing can considerably affect the accuracy of damage detection results, in the first part of the paper, a comparison is carried out between the popular FDD method and two newer AFDD and TDD methods which have improved some of the FDD drawbacks. Then, the most effective method is selected. Among these procedures, FDD is successfully implemented in signal-based procedures. However, the two newer ones have not adequately investigated in comparison to FDD. In the second part, by using competitive neural network for clustering, a new damage index is introduced by calculation of the Euclidian distances of cluster centers. Results show that the proposed damage detection algorithm can differentiate healthy and damage states with acceptable accuracy.