ضریب همبستگی مبتنی بر قرار دادن سنسور لرزش بهینه و تعداد

سنسورهای لرزش بیشتر برای تشخیص گسل ماشین ها یا ساختارها استفاده می شوند. در صورت استفاده از سنسورهای بیشتر ، تشخیص دقیق گسل امکان پذیر است. با این حال ، بدیهی است که هزینه بیشتری خواهد داشت. برای بهینه سازی تعداد و محل نصب سنسورهای لرزش برای تشخیص کارآمدتر گسل ، روشهای زیادی برای بهینه سازی تعداد و محل نصب/نقطه ارتعاش وجود دارد. روشهای موجود در هنگام در نظر گرفتن بسیاری از فرکانس های حالت با نقاطی که احتمالاً سنسورهای لرزش نصب می شوند ، به بسیاری از توان محاسباتی نیاز دارند. در این مقاله یک روش عملی برای بهینه سازی نقطه نصب سنسور با توجه به بسیاری از فرکانس های حالت با مکان های زیادی برای نصب سنسور ارائه شده است. FEA برای شناسایی مقادیر جابجایی هر فرکانس در نقاط نامزد انجام شد. سپس ضرایب همبستگی برای بهینه سازی محل نصب و تعداد سنسورهای لرزش به نتیجه FEA اعمال شد. با در نظر گرفتن مواردی که تعداد سنسورها توسط کاربران تعیین شده است ، FIM اعمال شده است. ضریب همبستگی نقاط نامزد را که در آن 24252 سنسور لرزش نصب شده بود بهینه کرد و این را به 10 امتیاز کاهش داد. FIM ، که برای بهینه سازی مستقیم مکان های سنسور مناسب نبود زیرا به توان محاسباتی زیادی نیاز داشت و معمولاً برای ارزیابی سایر روشها استفاده می شد ، اکنون برای نقاط نامزد که با ضریب همبستگی کاهش یافته اند ، قابل استفاده است. این مقاله بهترین مکان بهینه سنسور را ترسیم نمی کند بلکه راهی برای استفاده از فرم های در مقیاس بزرگ یا پیچیده با کمی توان محاسباتی ارائه می دهد.

کلید واژه ها:

1. معرفی

به منظور تشخیص عدم موفقیت دستگاه ها یا ساختارها ، روشی برای جمع آوری و تشخیص داده ها با اتصال سنسورهای لرزش به طور گسترده ای مورد استفاده قرار می گیرد [1،2،3]. با این حال ، اتصال سنسورها به تمام بخش های لازم از هدف گران است و برای جمع آوری داده ها و تشخیص گسل با داده های جمع آوری شده از سنسورها به توان محاسباتی زیادی نیاز دارد. بنابراین ، لازم است تعداد مناسب سنسورهای لرزش که در نقاط مناسب مورد نیاز هستند نصب شود. متداول ترین روش استخراج شکل حالت هدف با FEA (تجزیه و تحلیل عنصر محدود) است. سپس ، یک الگوریتم برای بهینه سازی محل سنسور برای نتیجه تجزیه و تحلیل گرفته شده از هر گره استفاده می شود. در اینجا ، موقعیت های گره به نقاط کاندیدایی تبدیل می شوند که سنسورها در آن نصب می شوند. بهترین مکان های سنسور آنهایی هستند که دارای بزرگترین مقادیر تعیین کننده FIM (ماتریس اطلاعات فیشر) هستند. مقادیر تعیین کننده FIM برای ارزیابی مکان های سنسور بهینه شده با یک الگوریتم استفاده می شود [4،5،6]. مقادیر تعیین کننده FIM ممکن است به طور مستقیم برای بهینه سازی محل سنسور استفاده شود ، اما مقادیر تعیین کننده زیادی برای محاسبه با رایانه وجود دارد. بنابراین ، مطالعات بیشماری در مورد الگوریتم های موثر قرار دادن سنسور بهینه و حتی مطالعات مقایسه ای انجام شده است که بر روی آنها الگوریتم مناسب ترین مورد برای بهینه سازی است. Z. N. Li ، J. Tang and Q. S. Li [7] چهار روش مختلف برای محل نصب سنسور لرزش بهینه شده ، مانند GA (الگوریتم ژنتیکی) ، MSF (فاکتور مقیاس معین) ، MAC (معیار تضمین معین) و شباهت دو لرزش استفاده کرد. حالت ها به کنگره ها و مقایسه نتایج. G. Martin ، E. Balmes ، and T. Chancellier [8] چهار روش را برای بهینه سازی محل نصب سنسور لرزش به قطعات ترمز طبل ، از جمله MAC ، COMAC (MAC مختصات) ، ECOMAC (پیشرفته COMAC) و MACCO (MAC COOMINATE) اعمال کرد. و نتایج را مقایسه کرد. C. Yang ، R. Ma و R. Ma [4] شش روش مختلف برای محل نصب سنسور لرزش بهینه شده ، از جمله EFI (استقلال مؤثر) ، DPR (باقی مانده نقطه رانندگی) ، ADPR (میانگین DPR) ، EFI-DPR ، EVP استفاده کرد.. D. C. Kammer و M. L. Tinker [5] دو روش مختلف را برای محل نصب سنسور لرزش بهینه به ترتیب MKE (انرژی جنبشی معین) و EFI3 به یک وسیله نقلیه پرتاب قابل استفاده مجدد و بهینه سازی محل سنسور اعمال کردند. M. Meo و G. Zumpano [9] Applied EFI ، EFI-DPR ، MKE ،

EVP (محصول بردار EigenValue) ، NODP (نقطه درایو غیر بهینه) و VM (روش واریانس) برای بهینه سازی مکان نصب سنسور ارتعاش در ساختارهای پل و مقایسه نتایج. ج. یانگ [6] با دادن وزن در چندین روش بهینه سازی ، یک روش مصنوعی را اعمال کرد.

مگر اینکه داده های واقعی از سنسورهای متصل به ماشین آلات یا سازه هایی با گسل جمع آوری شود ، ویژگی های لرزش در حالت گسل ناشناخته است. بنابراین ، لازم است مکان سنسور برای تشخیص گسل با توجه به میزان مناسب شکل های حالت بهینه شود. علاوه بر این ، برای به دست آوردن نتایج FEA قابل اعتماد باید تعداد مناسب گره ها ترتیب داده شود [10،11]. بیشتر مطالعات در مورد الگوریتم ها برای بهینه سازی موقعیت سنسور لرزش برای شناسایی مکان سنسور مناسب کاهش توان محاسباتی انجام می شود. با این حال ، آنها هنوز هم برای بهینه سازی موقعیت سنسورهای لرزش با توجه به بسیاری از شکل ها و گره های حالت کافی نیستند. در حقیقت ، بیشتر مطالعات محل سنسور لرزش را با الگوریتم هایی که برای نتایج FEA اعمال می شود با توجه به تنها چند شکل حالت یا با امتیازات نامزد کمتر از 10،000 بهینه می کنند [4،5،6،8،9،9،12،13 ،14]

در این مقاله الگوریتمی برای بهینه سازی مکان نصب سنسور لرزش به طور عملی ارائه شده است که حتی در صورت وجود اشکال و گره های حالت زیادی وجود دارد که در مقایسه با سایر روش های معمولی ، با توان محاسباتی کمتری در نظر گرفته می شود. ابتدا ضریب همبستگی به شکل حالت هر گره که از نتیجه FEA گرفته شده است ، اعمال شد. به طور کلی ، از ضریب همبستگی برای ایجاد یک مدل تشخیص گسل مبتنی بر یادگیری عمیق با داده های جمع آوری شده از سنسورهای لرزش استفاده می شود [15،16،17]. با این حال ، از آن برای بهینه سازی هم تعداد و هم محل سنسورهای لرزش در مقاله استفاده می شود ، که به فرد امکان می دهد نتایج معتبری را با توان محاسباتی کمتری تولید کند. هنگامی که تعداد سنسورهای لرزش بهینه شده با ضریب همبستگی از تعداد سنسورهای حفظ شده بزرگتر است ، الگوریتم های موجود ، مانند EFI یا FIM ، می توانند برای شکل های حالت بهینه شده برای به دست آوردن نقاط سنسور نهایی اعمال شوند. FIM کاربردی نبود ، زیرا به توان محاسباتی زیادی نیاز داشت ، اما در اینجا قابل استفاده بود ، زیرا بسیاری از گره ها از قبل از گروه کاندیداها با ضریب همبستگی حذف شده اند. نتایج FIM با نتایج EFI مقایسه شد ، که در چندین مطالعه به عنوان مؤثرترین الگوریتم در نظر گرفته شده است [4،9]. روش کلی اتخاذ شده برای مطالعه در شکل 1 نشان داده شده است و برای نشان دادن نتیجه در AS/RS (سیستم ذخیره سازی و بازیابی خودکار) ، SAR-400 استفاده شده است.

2. پیشینه نظری

طبق مطالعه اینجا ، ابتدا ضریب همبستگی به شکل حالت واحد AS/RS که از FEA به دست آمده است ، اعمال می شود. سپس سایر روشهای موجود به منظور بهینه سازی محل و تعداد سنسورهای لرزش اعمال می شوند.

پس از تولید گره های S در FEA ، تجزیه و تحلیل معین برای محاسبه فرکانس های حالت N انجام شد و شکل های حالت در هر فرکانس حالت استخراج شد. شکل حالت شامل مقادیر جابجایی هر گره محاسبه شده در فرکانس حالت مربوطه است و مقدار جابجایی توسط بردار ستون D I از بعد S 0 S بیان شده است.D I =

t ، i = 1 ، 2 ،… ، n

در اینجا ، D J I نتیجه تجزیه و تحلیل معین ، جابجایی در گره j از فرکانس حالت I Th است. با فرض اینکه سنسورها همه به هر گره وصل شده اند ، جابجایی تمام فرکانس های حالت ممکن است به عنوان بردار زیر بیان شود.

2. 1ضریب همبستگی

به طور کلی ، هنگام تهیه یک مدل تشخیص گسل مبتنی بر یادگیری عمیق با داده های جمع آوری شده از سنسورهای لرزش ، ضریب همبستگی برای ویژگی های استخراج شده از داده های اصلی برای کاهش توان محاسباتی اعمال می شود. تنها یک ویژگی در بین کسانی که همبستگی بالایی دارند باقی مانده است ، در حالی که بقیه از بین می روند [15،16،17]. استفاده از ضرایب همبستگی برای بهینه سازی تعداد و محل سنسورها از این ایده شروع شده است. هنگامی که ضریب همبستگی برای شکل های حالت هر گره که از نتایج FEA گرفته شده است ، اعمال می شود ، فقط یک گره در بین گره هایی با شکل حالت همبسته باقی می ماند. بقیه گره ها از کاندیداهای نقطه نصب حذف می شوند که مکان و تعداد سنسورهای لرزش را بهینه می کند. هنگامی که سنسورها به موقعیت های گره هایی با شکل حالت همبسته وصل می شوند ، داده های جمع آوری شده توسط هر سنسور می توانند مشابه باشند. هنگام جمع آوری داده ها با نرخ نمونه سریع یا یک دوره جمع آوری نمونه طولانی ، مؤثرتر می شود. این امر به این دلیل است که مقادیر شکل شکل گرفته شده از نتایج FEA بسیار کوچکتر از متغیرهای داده واقعی است.

ضریب همبستگی نشان دهنده وابستگی دو متغیر متوالی به عنوان یک مقدار بین 1+ و 1 است. برخی از ضرایب همبستگی نماینده شامل همبستگی های پیرسون ، و Spearman و Kendall's Tau است که به ترتیب در (2-4) نشان داده شده است [18،19].<( d j 1 i − m e a n ( d j 1 ) ) ( d j 2 i − m e a n ( d j 2 ) )>ρ p = ∑ i = 1 n