توصيفگر ها :
تحليل مودال عملياتي , شناسايي سيستم , خودكارسازي , يادگيري ماشين , عدم قطعيت
چكيده فارسي :
تحليل مودال به عنوان ابزاري به¬منظور دستيابي به پارامترهاي مودال سازه مورد استفاده قرار مي¬گيرد كه اين پارامترها، بيانگر خواص ديناميكي سيستم است. شناسايي مودال گونه¬اي از شناسايي سيستم است كه از تحليل مودال بهره مي¬برد. شناسايي مودال خودكار با هدف كاهش دخالت كاربر پارامترهاي مودال سيستم را استخراج مي¬نمايد. شناسايي مودال عملياتي، گونه¬اي از آناليز مودال است كه تنها از اطلاعات خروجي سيستم به منظور استخراج پارامترهاي مودال استفاده مي¬كند. شناسايي مودال عملياتي كاملا خودكار كليه موارد فوق را دارا مي¬باشد. پژوهش پيش رو به دنبال شناسايي پارامترهاي مودال (شامل فركانس¬ طبيعي، شكل¬مود و ميرايي) سيستم ناشناخته براساس اطلاعات خروجي آن بصورت كاملا خودكار است، بطوريكه الگوريتم پيشنهادي در اين پژوهش قابليت تعميم را دارا ¬باشد و بتواند شناسايي ديگر سيستم¬ها را نيز انجام دهد. به¬منظور تخمين پارامترهاي مودال از الگوريتم¬هاي استخراج پارامترهاي مودال استفاده مي¬گردد كه توانايي استخراج با كمترين اطلاعات از سيستم را دارا مي¬باشد. بدين منظور از الگوريتم زيرفضاي تصادفي استفاده شده است. اين الگوريتم تنها به درجه مدل بمنظور استخراج پارامترهاي مودال احتياج داشته و به¬هيچگونه اطلاعات ديگري از سيستم مورد مطالعه احتياج ندارد. درجه مدل مناسب به ازاي هر سيستم و بدون احتياج به نمودارهاي پايداري يا اطلاعات كاربر تخمين زده مي¬شود. از معيار نقطه تكين به منظور تخمين درجه مدل مناسب الگوريتم زيرفضا استفاده شده است. مواردي مانند تخمين دقيقتر درجه مدل، تاثيرپذيري از نويز، تعداد كانال¬هاي داده¬برداري، طول داده از جمله موارديست كه در انتخاب معيار مناسب تاثيرگذار است. معيار تخمين درجه مدل انتخاب شده در اين پژوهش، به ميزان اندكي درجه مدل را بيشتر از ميزان واقعي تخمين مي¬زند كه باعث حفظ مودهاي فيزيكي سيستم در مدل فضاي حالت مي¬گردد. اندازه¬گيري عدم قطعيت پارامترهاي مودال شناسايي شده از ديگر اهداف مورد نظر است. در الگوريتم شناسايي پيشنهادي، تنها از يك مجموعه داده به منظور شناسايي استفاده مي-گردد. در اين وضعيت تنوع داده¬ها به منظور شناسايي اندك و محدود است و روش¬هاي آماري نمونه¬برداري از مجموعه داده، گزينه مناسبي بنظر مي¬رسد. در اين شرايط، داده¬هاي بسياري توليد مي¬شود كه فرآيند شناسايي نيازمند به داده¬كاوي و استخراج الگو از ميان آنها است. از حوزه¬هاي يادگيري ماشين و داده¬كاوي نيز در الگوريتم شناسايي مذكور استفاده شده است كه از حوزه¬هاي مهم در علم كامپيوتر است، روش¬هاي خوشه¬بندي، طبقه¬بندي، تلفيق داده و تصميم¬گيري از جمله موارديست كه در دستيابي به پارامترهاي مودال فيزيكي سيستم استفاده شده است. از روش¬هاي يادگيري ماشين مي¬توان بعنوان ابزاري به ¬منظور خودكارسازي فرآيند مورد نظر و حذف دانش كاربر انساني و تزريق اطلاعات اضافي، استفاده نمود. موفقيت در برقراري چرخه فوق، الگوريتم شناسايي را قادر مي¬سازد كه تنها با تكيه بر يك مجموعه داده از سيستم مورد مطالعه، پارامترهاي مودال را شناسايي نموده و ميزان عدم قطعيت آنها را نيز بررسي نمايد. پارامترهاي مودال در زمينه شناسايي سيستم و عدم قطعيت آنها در زمينه شناسايي سيستم، پايش وضعيت و عيب¬يابي بسيار مهم هستند. پس از دستيابي به هدف اصلي پژوهش، الگوريتم شناسايي بهبود¬يافته نيز معرفي شده است كه هدف آن بهبود كارآيي، دقت و تكرارپذيري نتايج الگوريتم شناسايي مودال اوليه بوده است. از آنجايي كه الگوريتم¬هاي يادگيري ماشين عمدتا داراي مزايا و معايب مختص خود مي¬باشند، مجموعه¬اي از آنها اطلاعات دقيق¬تري ارائه مي¬دهند. بدين منظور از چندين الگوريتم خوشه¬بندي با رويكردهاي مختلف بررسي داده¬ي خام استفاده مي¬شود و از قويترين الگوريتم تلفيق داده با نام دمپستر-شافر به منظور تلفيق نتايج الگوريتم¬ها و جلوگيري از واگرايي نتايج استفاده شده است. نتايج شناسايي موارد مطالعاتي متنوع نشانگر آنست كه الگوريتم-هاي شناسايي سيستم معرفي شده در اين پژوهش، اهداف مورد انتظار را برآورده مي¬سازند و الگوريتم شناسايي بهينه، نتايج دقيق¬تر و پايدارتري از پارامترهاي مودال سيستم ارائه مي¬دهد.
چكيده انگليسي :
Modal analysis is used as a tool to obtain the modal parameters of the structure, which express the dynamic properties of the system. Modal identification is a type of system identification that uses modal analysis. Automated modal identification extracts modal parameters of system in order to reduce user interaction. Operational modal identification is a type of modal analysis that uses only system output information to extract modal parameters. Fully automated operational modal identification has all of the above. This study presents an algorithm to identify the modal parameters (including natural frequency, mode shape and damping) of the unknown system based on its output information completely automatically, so that the proposed algorithm can be generalized to other systems. In order to estimate the modal parameters, modal parameter extraction algorithms are used, which have the ability to extract with the least information from systems. For this purpose, a stochastic subspace algorithm is used. This algorithm only needs the model order to extract the modal parameters and does not require any other information from the system. The appropriate model order is estimated for each system without the need for stability diagrams or user information. The Single Value Criterion has been used to estimate the appropriate order of the model for stochastic subspace algorithm. Items such as more accurate estimation of model order, noise level, number of data channels, data length are among the factors that affect the selection of the appropriate criterion. The model order estimation criterion selected in this study slightly estimates the model order more than the actual value, which preserves the physical modes of the system in the state space model. Uncertainty quantification of the identified modal parameters is another goal of this research. In the proposed identification algorithm, only one data-set is used for identification process. In this situation, the variety of data is small and limited and statistical resampling methods seem to be a good option. By these methods, a lot of data is generated from which the identification process requires data mining and pattern recognition. The fields of machine learning and data mining have also been used in the mentioned algorithm, which is one of the important fields in computer science. Clustering, classification, data fusion and decision maker methods are among the methods that Used to achieve the physical modal parameters of the system. Machine learning methods can be used as a tool to automate the process and eliminate human user interaction or additional information. Success in establishing the above cycle enables the identification algorithm to identify modal parameters and quantify their uncertainty. Modal parameters are very important in system identification and their uncertainty are very important in system identification, condition monitoring and fault detection. After achieving the main goal of the research, an improved identification algorithm has been introduced which aims to improve the efficiency, accuracy and repeatability of the results of the initial modal identification algorithm. Since machine learning algorithms mainly have their own advantages and disadvantages, a set of these algorithms provides more detailed information. For this purpose, several clustering algorithms with different approaches are used and the most powerful data fusion algorithm called Dempster-Shafer is used to integrate the results of the algorithms and prevent divergence of results. The results of identification of various case studies indicate that the system identification algorithms introduced in this study meet the expected objectives and the improved identification algorithm provides more accurate and stable results of the modal parameters of the system.