تشخیص خرابی در صفحه چندلایه کامپوزیت الیاف شیشه با استفاده از شبکه عصبی مصنوعی با نویز زدایی توسط انواع مختلف تبدیل های موجک مادر

این مقاله به تشخیص ارتعاشی خرابی در چندلایه کامپوزیت الیاف شیشه با استفاده از آنالیز سیگنال زمانی و شبکه عصبی مصنوعی می پردازد. به منظور کاهش نویز سیگنال های ارتعاشی، نویز زدایی با استفاده از تبدیل موجک به انجام رسید. پس از داده کاوی و استخراج ویژگی های آماری از سیگنال های پردازش شده، شبکه عصبی به عنوان تشخیص دهنده، چندلایه کامپوزیت معیوب را شناسایی نمود. ارزیابی دقت تشخیص عیب توسط ساختارهای مختلف شبکه عصبی مصنوعی به انجام رسید که درنتیجه بهترین عملکرد شبکه عصبی مصنوعی در تشخیص خرابی انتخاب گردید. سپس، مقایسه میان دقت عیب یابی با استفاده از سیگنال های نویززایی شده توسط تبدیل های موجک مادر مختلف در مراحل تجزیه مختلف به انجام رسید تا بهترین تبدیل سیگنال جهت تشخیص خرابی مشخص گردد. نتایج نشان می دهد که ساختار شبکه عصبی مصنوعی بر دقت تشخیص عیب اثر مهمی خواهد داشت و مناسب ترین دقت در تعداد ۷۵ لایه پنهان و اختصاص ۸۰%، ۱۰% و ۱۰% داده ها به آموزش، اعتبارسنجی و تست حاصل گردید. همچنین استفاده از تبدیل های موجک مادر دوبشی ۳ و موجک مادر دو متعامد ۳.۷ در مرحله تجزیه ۲ منجر به تشخیص عیب با بالاترین دقت در میان سایر موجک های مادر در زمان مناسب تر خواهد شد. روش مذکور به عنوان روشی مبتنی بر داده های واقعی با داده برداری از نقاط تعیین شده، تشخیص عیب را در صفحات کامپوزیت با دقت مناسب در زمان محاسبه کوتاه انجام می دهد، لذا از این روش می توان جهت پایش وضعیت سازه های کامپوزیتی به صورت آفلاین و آنلاین، با افزودن قابلیت داده برداری برخط، استفاده نمود.

تشخیص خرابی در صفحه چندلایه کامپوزیت الیاف شیشه با استفاده از شبکه عصبی مصنوعی با نویز زدایی توسط انواع مختلف تبدیل های موجک مادر Keywords:

GFRP , Damage detection , Neural Network , Denoising , Wavelet transform , کامپوزیت الیاف شیشه , تشخیص خرابی , شبکه عصبی , نویز زایی , تبدیل موجک