ارائه الگوريتم جديد خودكارسازي شناسايي مودال عملياتي با استفاده از روش هاي يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

دكتري

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.

210022

ديناميك، كنترل و ارتعاشات

مهندسي مكانيك

دانشگاه صنعتي اصفهان

وحيد يعقوبي

عبدالرضا اوحدي همداني، مهدي كشميري، سعيد ضيايي راد

حسن نحوي