شناسایی الگوهای ناهنجار دادههای شتابسنج در پل های کابلی خود ایستا به روش یادگیری غیرنظارت شده

امروزه پایش سلامت سازهها (SHM) به یک حوزه مهم در مهندسی عمران، به منظور ارزیابی و نظارت بر وضعیت سازهها و تشخیص ناهنجاری ها و آسیب های احتمالی در آنها به کار می رود. یکی از ابزارهای کلیدی در SHM، استفاده از شتابسنج ها برای جمع آوری دادههای سازه در تشخیص آسیب ها است . اما این سنسورها به دلایلی از قبیل ، نویز، خرابی سنسور، یا تغییرات شرایط محیطی و ... می توانند دچار ناهنجاری خارج از خرابی سازه بشوند. این ناهنجاری ها اگر شناسایی نشوند کل عملکرد SHM را با مشکل مواجه می کند و سیستم ممکن است خرابی سنسور را بعنوان خرابی یک عضو سازهای تشخیص و گزارش دهد. این ناهنجاری ها می توانند منجر به تفسیر نادرست دادهها و در نتیجه تصمیم گیری های نادرست شوند. بنابراین ، توسعه روشهای کارآمد برای تشخیص و تصحیح ناهنجاری های سنسوری از اهمیت بالایی برخوردار است . در این مقاله انواع ناهنجاری سنسورها برای دادههای بنچمارک پل واقعی ارزیابی می شوند و با بکارگیری روش هوش مصنوعی خودرمزگذار، یک روش غیرنظارت شده برای شناسایی داده با انواع ناهنجاری از داده سالم معرفی می شود. در آن از دو متره، خطای بازسازی و تابع برآورد احتمال برای تشخیص ناهنجاری استفاده شد. نتایج نشان می دهد روش بکارگیری تابع برآورد احتمال بسیار در افزایش دقت کارآمد است و روش پیشنهادی می تواند کارآیی موثری در شناسایی ناهنجاری ها باشد. بعنوان یک روش غیرنظارت شده کارآمد بکار گرفته شود.

Keywords:

ناهنجاری سنسور , پایش سلامت سازهها , پل , یادگیری ماشین غیرنظارتی .