Ανίχνευση βλάβης σε πληθυσμό σύνθετων δοκών μέσω σημάτων ταλάντωσης και μεθόδων βασιζόμενων σε πολλαπλά μοντέλα και αυτοκωδικοποιητές
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Φατιόν, Φέρα | |
| dc.contributor.other | Fation, Fera | |
| dc.date.accessioned | 2022-03-08T12:12:05Z | |
| dc.date.available | 2022-03-08T12:12:05Z | |
| dc.date.copyright | 2022-02-20 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Στην προκείμενη διπλωματική εργασία γίνεται χρήση αλγορίθμων Τεχνητής Νοημοσύνης και συγκεκριμένα των Αυτοκωδικοποιητών και της μεθόδου Πολλαπλών Μοντέλων προκειμένου να αναπτυχθούν εύρωστες μέθοδοι ανίχνευσης βλάβης σε έναν πληθυσμό σύνθετων δοκών που χρησιμοποιούνται σε στόλο αεροπορικών κατασκευών. Σε αεροναυπηγικές κατασκευές απαραίτητο είναι η ανίχνευση βλάβης να γίνεται απομακρυσμένα και εν ώρα λειτουργίας προκειμένου να εξοικονομηθούν κόστη συντήρησης και να βελτιστοποιηθεί ο χρόνος πτήσης τους. Εκ κατασκευής στις σύνθετες δομές που χρησιμοποιούνται στην αεροναυπηγική εισάγονται μεταβλητότητες στα γεωμετρικά χαρακτηριστικά και ιδιαίτερα το πάχος, γεγονός που δυσκολεύει την ανάπτυξη μιας εύρωστης μεθόδου που θα εξυπηρετεί όλον τον στόλο των αεροσκαφών. Η μεταβολή της δυναμικής λόγω της μεταβλητότητας του πάχους της κατασκευής επικαλύπτει την αλλαγή στην δυναμική λόγω της βλάβης. Αυτή την πρόκληση επικαλείται να αντιμετωπίσει η παρούσα διπλωματική εργασία. Η κατασκευή προσομοιώνεται στο λογισμικό Ansys υπό σταθερές περιβαλλοντικές συνθήκες και διεγείρεται με δυνάμεις που μοντελοποιούν ριπές ανέμου. Μοναδική μεταβλητότητα στο σύστημα είναι αυτή του πάχους της δοκού η οποία αναπτύσσεται κατά την διαδικασία του πολυμερισμού της μήτρας των συνθέτων υλικών. Οι μέθοδοι δεν χρησιμοποιούν δεδομένα των εισόδων, βασίζονται μονάχα στα σήματα ταλάντωσης των αποκρίσεων. Η δυναμική της δοκού αντιπροσωπεύεται από Πολλαπλής Εισόδου και Μοναδικής Εξόδου συναρτήσεις Transmittance οι οποίες μοντελοποιούνται με στοχαστικά μοντέλα αυτοπαλινδρόμησης με εξωγενείς ψευδό-διεγέρσεις ARX.Οι παράμετροι του ARX εισάγονται στο Νευρωνικό Δίκτυο και αποτελούν το χαρακτηριστικό διάνυσμα για την μέθοδο Πολλαπλών Μοντέλων. Η βλάβη που μελετάται είναι μια διαμπερής οπή αισθητού πάχους με τρία διαφορετικά μήκη. Τα αποτελέσματα της μεθόδου Πολλαπλών Μοντέλων είναι βέλτιστα ακόμη και για την μικρή βλάβη ενώ ο Αυτοκωδικοποιητής ανιχνεύει τις βλάβες με μεγάλη ακρίβεια για πολύ μεγάλο ποσοστό ψευδοσυναγερμού. Αυτό οφείλεται στην πολυπλοκότητα του νευρωνικού δικτύου. | el |
| dc.description.translatedabstract | Τhe current diploma thesis utilizes Artificial Intelligence algorithms, specifically Autoencoders and a Multiple Model method to develop a robust damage detection method in a population of composite beams used in a fleet of airplane structures. It is essential in aeronautic structures the detection to happen remotely and while operating to conserve maintenance costs and optimize their flight hours. From the manufacture of the composites which are used in aeronautics variability is introduced in geometric characteristics and especially thickness and makes it harder to develop a robust method to serve the hole fleet of aircrafts. The change in dynamics under the thickness variability of the structure overlaps the one due to damage. The current diploma thesis is invoked to confront this exact challenge. The structure is simulated with Ansys software under stable environmental conditions and is excited using forces modelling wind gusts. The only variability is the beam thickness which is induced during the curing procedure of composite materials. The damage detection doesn’t consider input data, it is based upon the vibrating output signals. The beam dynamics are represented by Multiple-Input Single-Output (MISO) Transmittance Functions (TF) stochastic AutoRegressive with eXogenous pseudo-eXcitation (ARX). The ARX parameters are fed to the Neural Network and compose the characteristic vector of Multiple Model . The damage under study is a through thickness crack with distinctive width and three different lengths. The results of the Multiple Model method are optimum even for the small damage scenario while the Autoencoder detects the damages precisely for a high false alarm rate. This may be attributed to the complexity of the neural network. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/15941 | |
| dc.language.iso | gr | el |
| dc.subject | Τεχνητή νοημοσύνη | el |
| dc.subject | Παρακολούθηση δομικής ακεραιότητας | el |
| dc.subject | Σύνθετες δοκοί | el |
| dc.subject | Πολλαπλά μοντέλα | el |
| dc.subject.alternative | Artificial intelligence | el |
| dc.subject.alternative | Autoencoders | el |
| dc.subject.alternative | Multiple models | el |
| dc.title | Ανίχνευση βλάβης σε πληθυσμό σύνθετων δοκών μέσω σημάτων ταλάντωσης και μεθόδων βασιζόμενων σε πολλαπλά μοντέλα και αυτοκωδικοποιητές | el |
| dc.title.alternative | Vibration based damage detection in a population of composite beams via multiple model and autoencoder approaches | el |
| oaire.licenseCondition | null | el |