این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۷، شماره ۷، صفحات ۳۶۳-۳۷۲
عنوان فارسی تشخیص خرابی در صفحه چندلایه کامپوزیت الیاف شیشه با استفاده از شبکه عصبی مصنوعی با نویز زدایی توسط انواع مختلف تبدیل های موجک مادر
چکیده فارسی مقاله این مقاله به تشخیص ارتعاشی خرابی در چندلایه کامپوزیت الیاف شیشه با استفاده از آنالیز سیگنال زمانی و شبکه عصبی مصنوعی می‌پردازد. به‌منظور کاهش نویز سیگنال‌های ارتعاشی، نویز زدایی با استفاده از تبدیل موجک به انجام رسید. پس از داده‌کاوی و استخراج ویژگی‌های آماری از سیگنال‌های پردازش‌شده، شبکه عصبی به‌عنوان تشخیص‌دهنده، 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 عیب‌یابی با استفاده از سیگنال‌های 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 می‌دهد که ساختار شبکه عصبی مصنوعی بر دقت تشخیص عیب اثر مهمی خواهد داشت و مناسب‌ترین دقت در تعداد 75 لایه پنهان و اختصاص 80%، 10% و 10% داده ها به آموزش، اعتبارسنجی و تست حاصل گردید. همچنین استفاده از تبدیل های موجک مادر دوبشی 3 و موجک مادر دو متعامد 3.7 در مرحله تجزیه 2 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 داده‌های واقعی با داده برداری از نقاط تعیین شده، تشخیص عیب را در صفحات کامپوزیت با دقت مناسب در زمان محاسبه کوتاه انجام می‌دهد، لذا از این روش می‌توان جهت پایش وضعیت سازه های کامپوزیتی به‌صورت آفلاین و آنلاین، با افزودن قابلیت داده برداری برخط، استفاده نمود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Damage detection in Glass Fiber Reinforced Plastic (GFRP) using neural network based on denoising with different mother wavelets
چکیده انگلیسی مقاله In this paper, a vibration-based damage detection approach for multi-layered woven glass laminate using time signal processing and Neural Network (NN) is presented. In order to reduce noise in the experimental extracted signals, wavelet-based denoising has been applied. After data mining and feature extraction from processed signals, NN as a classifier is employed to detect the damaged GFRP. Different NN structures were tested in order to enhance the damage detection performance to recognize the most remarkable performance. Also, the performance of the presented method was evaluated when different mother of wavelets at different decomposition levels denoise signals so that the best signal processing method is selected. The results demonstrate the effect of NN structure on the damage detection technique, which in this research the best NN performance was obtained with 75 hidden layers and allocating 80%, 10% and 10% of data to training, evaluation and testing, respectively. Furthermore, denoising using db3 and bior3.7 mother wavelets at 2nd decomposition level leads to the highest accuracy as well as suitable calculation time compared to other mother wavelets. The proposed method based on real data at the data acquisition points detects damage in composite laminate with high accuracy at reasonable calculation time, hence it can be used for condition monitoring of composite laminate either offline or online, provided that adding online data acquisition equipment.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجید خزایی |
دانشگاه صنعتی امیرکبیر
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

علی صالح زاده نوبری | salehzadeh nobari
دانشگاه صنعتی امیرکبیر، دانشکده مهندسی هوافضا
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

مقداد خزایی |
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://mme.modares.ac.ir/article_17200_a12c363a6732d449e91dd8f3e1a9de91.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-458772.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات