پديد آورنده :
محمدپور، مهران
عنوان :
الگوريتم بهبوديافته براي تحليل مودال تجربي خودكار
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي كاربردي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
چهارده، 93ص. : مصور (رنگي)، جدول، نمودار
استاد مشاور :
وحيد يعقوبي
توصيفگر ها :
شناسايي بر اساس زيرفضا , برآورد پارامترهاي مودال , پاسخ فركانسي , انتخاب ويژگي , تحليل مودال , يادگيري ماشين
استاد داور :
سعيد ضيايي راد، رضا تيكني
تاريخ ورود اطلاعات :
1398/04/09
رشته تحصيلي :
مهندسي مكانيك
تاريخ ويرايش اطلاعات :
1398/04/09
چكيده فارسي :
چکیده در سالهای اخیر مطالعات بر روی برآورد خودکار پارامترهای مودال رشد چشمگیری داشته است در اين پژوهش يکی از الگوريتمهای برآورد خودکار پارامترهای مودال بهبود داده میشکود الگوريتم مورد نظر از پن مرحله تشککیل شده است اين الگوريتم با انتخاب يک مدل با مرتبه بسیار باال کار خود را شروع میکند سپس مرتبه مدل نزديک به مرتبهی واقعی را پیدا میکند و با استفاده از آن و استفاده از روشهای آماری به بازتولید دادهها میپردازد پس از آن مودهای به دست آمده را با هم خوشهبندی میکند سپس خوشههای قطعا نوفه را از بین خوشکههای به دست آمده حذف میکند در نهايت با استفاده از سه ويژگی و الگوريتم يادگیری ماشین خوشههای باقی مانده را در دو دسکته فیزيکی و نوفه قرار میدهد در اين پژوهش برای بهبود اين الگوريتم سککیزده ويژگی جديد معرفی شکده اسککت با اسککتفاده از ک ک الگوريتمهای انتخاب ويژگی اين سیزده ويژگی و سه ويژگی اصلی اين الگوريتم با هم مقايسه شدهاند و ويژگیهای برتر معرفی شدهاند برای مقکايسکککه اين ويژگیهکا از الگوريتمهکای انتخکاب ويژگی PCA نمره الپالس انتخکاب ويژگی بینهايت و روش ارزيابی فاصکککله بهبوديافته استفاده شده است روش PCA در دسته روشهای کاهش ابعاد قرار دارد روشهای نمره الپالس و انتخاب ويژگی بینهايت در دسککته روشهای نظارت نشککده و روش ارزيابی فاصککله بهبوديافته در دسککته روشهای نظارت شککده قرار میگیرد نتیجه اسککتفاده از اين روشها به دست آوردن ويژگیهای با عملکرد بهتر است الگوريتم بهبود يافته بر روی پن مورد مطالعاتی پیاده شده است کلمات کلیدی شناسايی بر اساس زيرفضا برآورد پارامترهای مودال پاسخ فرکانسی انتخاب ويژگی تحلیل مودال يادگیری ماشین
چكيده انگليسي :
A Modified Algorithm for Automated Experimental Modal Analysis Mehran Mohamadpour m mohamadpour@me iut ac ir Date of Submission 2019 05 28 Department of Mechanical Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor Hassan Nahvi hnahvi@cc iut ac irAbstract In recent years studies on the automatic estimation of modal parameters have grown significantly Inthis research one of the algorithms for automatic estimation of modal parameters has been improved Thealgorithm is formed by five steps The algorithm begins with selecting a high model order Then it finds themodel order close to the real model order and resamples the dataset by the use of statistical methods and theobtained model order In the next step it clusters the obtained modes Then it removes the noise clusters fromthe obtained clusters Finally using three features and machine learning algorithms it places the remainingclusters in two physical and noise categories In this study 13 new features are introduced to improve thisalgorithm Using the feature selection algorithms these 13 features and the three main features of thealgorithm are compared and more efficient features are introduced To compare these features PCA featureselection algorithms Laplacian score infinite feature selection and improved distance evaluation method areused The PCA method is in the category of dimensions reduction methods Laplacian score and the infinitefeature selection methods are in the category of unsupervised methods and the improved distance evaluationmethod is in the category of supervised methods Utilizing these methods leads to obtain better performancefeatures The improved algorithm is implemented on five case studies Keywords Subspace based identification Modal parameters estimation Frequency response Featureselection Modal analysis Machine learning
استاد مشاور :
وحيد يعقوبي
استاد داور :
سعيد ضيايي راد، رضا تيكني
