فهرست نشریات علمی دسترسی آزاد ایران

در الگوریتم‌های تشخیص خرابی سازه مبتنی بر روش‌های سنتی یادگیری ماشین، استخراج ویژگی‌های حساس به خرابی از داده‌های سری زمانی یک مسئله چالش برانگیز است. همچنین این روش‌ها نیازمند به پیش‌پردازش در داده‌های خام هستند که خود فرایند پردازش را کندتر می‌کند. تلاش‌های زیادی برای غلبه بر این محدودیت‌ها با گسترش یادگیری عمیق در زمینه پایش سلامت سازه صورت گرفته است. با این حال، از آنجایی که اکثر این سیستم‌ها دارای معماری‌های عمیق هستند، به رایانه‌هایی با توان محاسباتی بالا و همینطور میزان قابل توجهی داده در طول مرحله آموزش نیاز دارند که در نتیجه برای کاربردهای برخط مناسب نیستند. برای حل چالش‌های بالا، در این مقاله روشی مبتنی بر شبکه‌های عصبی پیچشی دوبعدی (CNN) به منظور ادغام دو مرحله استخراج ویژگی و طبقه‌بندی سریع به طور همزمان، ارائه می‌شود. این روش از یک CNN کم عمق استفاده می‌کند که سیگنال‌های شتاب خام را به عنوان ورودی شبکه دریافت می‌کند. برای بررسی توانایی الگوریتم پیشنهاد شده از داده‌‌‌‌ی به دست آمده از یک سازه آزمایشگاهی مقیاس بزرگ به عنوان ورودی شبکه استفاده شده است. به طور میانگین روش پیشنهادی دارای دقت 99/8 درصد بر روی داده‌های آموزشی و 99/6 درصد برای داده‌های اعتبارسنجی رسیده است که نشان از توانایی بالای الگویابی آن دارد. همچنین این روش توانسته هر ثانیه از یک سیگنال ورودی را در مدت زمان 2 میلی ثانیه بررسی کند که در استاندارهای پردازش برخط قرار دارد.