hoangduclinh_monkey1992
New Member
Download miễn phí Luận văn Nhận dạng và dự báo khuyết tật của dầm trên nền mạng Neuron và logic mờ
Yêu cầu thực tế đặt ra là cần tri ển khai các biện pháp khoa học công nghệ tiên tiến vào việc
quản lý hệ thống cầugiao thông. Đối với nước ngoài, chiến lược của các nước đi trước trong lĩnh
vực này là chỉ chuyển giao cho chúng ta những công nghệ lạc hậu, lỗi thời. Chính vì vậy mà nghiên
cứu xây dựng một phương pháp nhận dạng và dự báo tình trạng làm việc của cầu có tính tiện ích khi
sử dụng, đặc biệt phải có độ tin cậy cần thiết, không chỉ nhằm đáp ứng các yêu cầu về kinh tế, xã
hội, an ninh, quốc phòngcủa đất nước, mà còn vì sự an toàn tính mạng của chính những người tham
gia giao thông Ngoài ra, việc từng bước làm chủ khoa học và công nghệ trong công tác quản trị
cầu nói riêng và trong công tác giám sát tình trạng làm việc của máy móc, thiết bị, của các kết cấu
lớn, của các công trình xây dựnglớn cũng là một việc làm cần thiết, có ý nghĩa thực tiễn cao.Đó
chính là động lực để tác giả thực hiện l uận án
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
liệu càng cao càng gia tăng độ chính xác của lời giải thông qua các hệsố hư hỏng và hệ số hư hỏng trung bình. Đồng thời hình 4.18 còn phản ánh hạn chế của hệ số hư
hỏng [67] khi tần số sử dụng cắt mẫu trùng hay gần trùng với tần số riêng của cơ hệ (đường nét đứt
số 4 trên các đồ thị) và hiệu quả của việc sử dụng hệ số hư hỏng trung bình của [3] trong những
trường hợp này. Giải pháp này cho phép mở rộng phạm vi sử dụng của phương pháp [67] trong
trường hợp không thể xác định chính xác các tần số dao động riêng, chẳng hạn khi khảo sát trên cầu
thực.
4.2.2 Nhận dạng mức độ hư hỏng dựa trên thuật toán HLM và mạng neuro-fuzzy
Trong ví dụ này HLM được sử dụng để tổng hợp mạng neuro-fuzzy nhận dạng quan hệ jj yx , ,
trong đó ,...1, Pjx j là vector hệ số hư hỏng trung bình ,...1, niDi của tất cả các phần tử trên dầm
ứng với mức độ hư hỏng thứ j , jy , tại một vị trí trên dầm. Mạng sau khi được huấn luyện sẽ cho tín
Hình 4.18 Khả năng xác định vị trí hư hỏng của hệ số hư hỏng ix và iD trong trường hợp cơ
hệ hư tại nhiều vị trí đồng thời và tập giá trị độ võng ( )Y X có sai số với những mức độ khác
nhau .
elements
(a)
(b)
(c)
ii DD ,
116 Luận án Tiến sĩ Kỹ thuật
Nguyễn Sỹ Dũng
hiệu ra là mức độ hư hỏng của dầm tại vị trí này nếu nhập vào mạng là vector hệ số hư hỏng tại thời
điểm khảo sát bất kỳ. Quá trình được thực hiện theo các bước chính như sau:
Bước 1. Xây dựng các tập mẫu:
Thực hiện gán vào mô hình những khuyết tật ở tại vị trí khảo sát với những mức độ khác nhau. Kích
thích cho cơ hệ dao động, đo độ võng và tính iD ứng với từng trường hợp hư hỏng. Ứng với mỗi
trường hợp khuyết tật của mô hình xây dựng một tập mẫu huấn luyện TrS và một tập mẫu kiểm tra
TeS. Tập mẫu huấn luyện gồm P cặp dữ liệu. Cặp dữ liệu thứ j:
, , 1... ,j jx y j P )(1 ]...[ jnj DDx
trong đó n = N là số phần tử được chia trên mô hình.
Bước 2. Xây dựng mạng neuro-fuzzy:
Sử dụng các thuật toán tổng hợp mạng HLM1, HLM2, HLM để xây dựng mạng neuro-fuzzy có chức
năng nhận dạng đối tượng thông qua tập mẫu TrS đã có. Trong ví dụ này chúng tui sử dụng thuật
toán HLM.
Bước 3. Kiểm tra độ chính xác của mạng:
Tập TeSj được sử dụng để kiểm chứng hiệu quả của mạng đã được huấn luyện.
Thực hiện và các kết quả kiểm chứng
Trong thí nghiệm này chúng tui chọn trong sáu khoảng tần số (0, f1), (f1, f2), (f2, f3), (f3, f4), (f4, f5) và
(f5, f6) sáu giá trị tần số, sau đó cho hệ dao động theo các tần số này, đo độ võng để tính Di và iD
dựa vào (3.41) và (3.42). Như vậy NM=6 cho mỗi trường hợp. Tất cả các thí nghiệm số trong nghiên
cứu này chúng tui đều lấy NE=3. Về số lượng cặp mẫu, có hai loại TrS: loại 100 cặp mẫu và loại 500
cặp mẫu ( , ), 1...i ix y i P , (P=100 hay P=500). Tất cả các TeS đều có số mẫu P=80. Về độ chính
xác của số liệu khi xây dựng các tập mẫu, tất cả TrS và TeS đều có 6 loại ứng với sai số 0%, 1%,
2%, 3%, 4%, và 5%.
Gọi (%)
ˆ
100
i
ii
i y
yy
là sai lệch (%) giữa mức độ hư hỏng thực tế của cầu và mức độ hư
hỏng dự báo của mạng. Gọi N là tỷ lệ phần trăm các mẫu kiểm tra trong toàn bộ các mẫu của tập
kiểm tra TeS có giá trị dự báo sai số không quá 20% so với mức độ hư hỏng thực tế, nghĩa là các
117 Luận án Tiến sĩ Kỹ thuật
Nguyễn Sỹ Dũng
mẫu này có 20% . Kết quả thí nghiệm được cho trong các bảng 4.7, 4.8 và 4.9.
Bảng 4.7 Phần tử số 8 hư 30%
N (%)
Sai số số liệu 0% 1% 2% 3% 4% 5%
TrS có P=100 78 61 82 74 53 74
TrS có P=500 100 100 100 91 82.5 85.4
Bảng 4.8 Phần tử số 6 hư 10% và phần tử số 12 hư 10%
N (%)
Sai số số liệu 0% 1% 2% 3% 4% 5%
TrS có P=100 92 87 80 94 76 68
TrS có P=500 100 100 85 96 82.5 81.6
Bảng 4.9 Phần tử số 6 hư 40% và phần tử số 12 hư 20%
N (%)
Sai số số liệu 0% 1% 2% 3% 4% 5%
TrS có P=100 94 56 80 91 88 90
TrS có P=500 100 100 100 94.4 91.6 85.5
Nhận xét Một giải pháp mới, giải pháp dựa vào hệ số hư hỏng trung bình, dùng để xác định vị trí
hư hỏng và mức độ hư hỏng của cầu mô hình được chúng tui đề xuất trong [3]. Phương pháp được
xây dựng trên cơ sở phát triển phương pháp năng lượng [67] cùng với việc ứng dụng mô hình neuro-
fuzzy và thuật toán huấn luyện mạng HLM của [2]. Kết quả kiểm chứng cho thấy rằng phương pháp
này có thể khắc phục được hạn chế của [67] trong các trường hợp tần số kích thích dao động khi lấy
mẫu trùng hay gần trùng với tần số dao động riêng của cầu. Điều này rất có ý nghĩa khi ứng dụng
cho cơ hệ phức tạp vì ở đó khó có thể xác định được chính xác tần số riêng của hệ cũng như tần số
kích thích khi lấy mẫu. Kết quả của rất nhiều thí nghiệm số trên mô hình số còn cho thấy hiệu quả
của phương pháp được đề xuất khá tốt, ngay cả khi tập số liệu đo có sai số không quá lớn.
118 Luận án Tiến sĩ Kỹ thuật
Nguyễn Sỹ Dũng
4.3 CÁC THÍ NGHIỆM TRÊN MÔ HÌNH THỰC
Trong mục này trình bày các ứng dụng và kiểm chứng những cơ sở thuyết mới đã được đề cập trong
các chương 2 và 3 trên cơ hệ thực, đó là một khung kim loại dạng dầm như trên các hình 4.19 và
4.20. Các thí nghiệm được thực hiện tại Phòng thí nghiệm Cơ học Ứng dụng của trường ĐHBK tp.
HCM. Nội dung thực hiện: ứng dụng các thuật toán được đề xuất cho các tập số liệu nhận được
trong hai nhóm thí nghiệm (thí nghiệm 1 và 2) để nhận dạng và dự báo khuyết tật của cơ hệ.
4.3.1 Mô tả thí nghiệm 1
K
(a)
(b)
Hình 4.20 Sơ đồ cấu trúc của mô hình thí nghiệm 1 (a) và vị trí các nút phần tử (b)
1 2 3
B
Đ
K
m
Hình 4.19 Thiết bị và mô hình thí nghiệm
0z
Y
0z
1Y 13Y
m d
Đ n0
119 Luận án Tiến sĩ Kỹ thuật
Nguyễn Sỹ Dũng
Động cơ điện xoay chiều ba pha Đ mang khối lượng lệch tâm m có thể được gá lắp tại nhiều vị trí
khác nhau trên khung sắt K như trên hình 4.19 và 4.20. Sử dụng bộ biến tần B để thay đổi tốc độ
quay n0 của động cơ. Khối lượng m, độ lệch tâm d, tốc độ quay n0, tọa độ lắp đặt động cơ z0 là những
đại lượng có thể điều chỉnh. Do đó, động cơ quay sẽ tạo nên dao động cưỡng bức trên khung với
những trạng thái dao động (TTDĐ) khác nhau. Sử dụng bộ đo dao động LAM_BRIDGE do PTN
CHUD ĐHBK ĐHQG TpHCM chế tạo để đo độ võng, đo biến dạng và đo gia tốc của dầm khi dao
động cưỡng bức tại các điểm đo có tọa độ z0 khác nhau ở các thời điểm t khác nhau ứng với từng
TTDĐ.
Khi khung chưa bị hư Bằng cách thay đổi vị trí của Đ trên khung, thay đổi độ lệch tâm md và
thay đổi vận tốc góc n0 của Đ chúng tui đã tạo ra P=1200 TTDĐ. Đo biên độ dao động tại các điểm
nút Y1, …, Y12 ứng với từng TTDĐ để xây dựng tập dữ liệu T gồm 1200 mẫu dữ liệu input-output
(Phụ lục 2). Đây là tập số liệu được sử dụng để huấn luyện mạng neuro-fuzzy cơ sở GNFcs nhận
dạng từng phần tử trên cơ hệ ở trong tình trạng chưa bị hư hỏng.
Tạo ra các vị trí hư trên khung Cắt khung tại ba vị trí Y4+, Y6+ và Y10+ (Y4...