شناسايي خسارت با هزينه كم پلهاي كابلي با استفاده از پردازش سيگنال و فراگيري ماشين

Low cost damage detection of cable-stayed bridges using signal processing and machine learning

امروزه با كمك روش هاي پايش سلامت سازه ها مي توان وقوع خسارت را در همان مراحل اوليه شناسايي كرد و از وقوع خسارت هاي مالي و جاني جلوگيري كرد. با اين حال يكي از موانع بر سر راه متداول شدن اين روش ها در كشور گران قيمت بودن سيستمهاي پايش سلامت است. هدف از اين پژوهش ارايه يك روش شناسايي خسارت با هزينه كم براي پل ها با استفاده از تكنيك هاي پردازش سيگنال و فراگيري ماشين است. جهت كاهش هزينه ها تعداد سنسورها جهت پايش ارتعاش سازه به يك سنسوركاهش يافته است. از آنجا كه كاهش تعداد سنسورها ممكن است از دقت پايش سلامت سازه ها بكاهد، از به روزترين روش هاي پردازش سيگنال استفاده شده است. در مرحله اول چند روش پردازش سيگنال دامنه زمان-فركانس با يكديگر مقايسه شده اند و روش تبديل موجك تجربي به عنوان بهترين روش از ميان آنها انتخاب شده است. در مرحله بعد پس از تجزيه سيگنالها يك شاخص خسارت جديد بر مبناي تبديل موجك متقاطع معرفي شده و سپس با استفاده از ماشين بردار پشتيبان شاخص هاي خسارت طبقه بندي شده اند تا قابليت تفكيك حالت سالم و خسارت فراهم شود. نتايج نشان مي دهد روش فوق با دقت بالا مي تواند خسارت را در سازه شناسايي كند.

Today, it is possible to detect damage in the early stages with the aid of structural health monitoring (SHM) techniques to avoid financial losses and loss of lives. However, large expenses of SHM systems has caused low popularity of such systems in our country. The aim of this study is to provide a low-cost damage detection technique for bridges based on signal processing and machine learning. To reduce expenses, the number of sensors to monitor vibration of the structure is decreased to only one sensor. Since reduction of number of sensors can lead to drop in damage detection accuracy, most up to date signal processing methods are used. In the first step of the paper, several time-frequency signal processing techniques are compared and EWT is selected as the best signal processing method. In the next step, after decomposition of signals by time-frequency techniques, a new damage index is introduced base on cross wavelet transform (CWT) and then calculated damaged indices are classified using support vector machine (SVM) to be able to distinguish healthy and damage states. Results show that the proposed method can detect damage with high accuracy.