Εκτίμηση στοχαστικών διανυσματικών παραμετρικών μοντέλων και εφαρμογή στην [sic] διάγνωση βλαβών μέσω μεθόδων μηχανικής μάθησης
Loading...
Date
Authors
Κρητικάκος, Κυριάκος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία ασχολείται με την εφαρμογή της δυναμικής αναγνώρισης με στοχαστικά παραμετρικά διανυσματικά μοντέλα, στην διάγνωση βλαβών σε σύνθετη δοκό υπό μεταβαλλόμενες συνθήκες λειτουργίας μέσω μεθόδων Μηχανικής Μάθησης. Οι δύο βασικές μορφές των διανυσματικών μοντέλων είναι τα VAR και τα σαφώς πιο πολύπλοκα VARMA. Στην εργασία επιλέγεται η έκδοση των VARMA η οποία οδηγεί σε πιο σύντομες αναπαραστάσεις και επιτυγχάνει καλύτερη προσέγγιση του πραγματικού μοντέλου σε σύγκριση με την απλούστερη έκδοση των VAR. Για την εκτίμηση μοντέλων VARMA χρησιμοποιούνται πολυωνυμικές (2SLS, PE) και χώρου κατάστασης (N4SID) στοχαστικές μέθοδοι. Έπειτα από την επικύρωση και την σύγκριση των μεθόδων με πειράματα Monte-Carlo, η μέθοδος 2SLS μπορεί να χαρακτηριστεί ως αποδοτικότερη προσφέροντας υψηλότερη ακρίβεια εκτίμησης και χαμηλότερη υπολογιστική πολυπλοκότητα σε σχέση με τις υπόλοιπες εξεταζόμενες μεθόδους. Τα προαναφερθέντα συμπεράσματα επιβεβαιώνονται με την μοντελοποίηση μιας σύνθετης δοκού υπό ταλαντωτική λειτουργία με τις τρεις άνωθεν μεθόδους. Η σύνθετη δοκό αναπαριστά τον οπίσθιο βραχίονα ενός μη επανδρωμένου αεροσκάφους (UAV). Από την πειραματική διαδικασία παρέχονται σήματα από δύο διαφορετικές καταστάσεις της κατασκευής (υγιής, υπό βλάβη). Επιπλέον, πραγματοποιείται επανατοποθέτηση της δοκού έπειτα από κάθε πείραμα ώστε να εισαχθεί αβεβαιότητα στα σήματα απόκρισης. Η ύπαρξη αβεβαιότητας οδηγεί στην χρήση διανυσματικής παραμετρικής μοντελοποίησης (VARMA) και σύνθετων μεθόδων Μηχανικής Μάθησης ώστε να είναι εφικτός ο διαχωρισμός των καταστάσεων. Η παρούσα εργασία αντιμετωπίζει την διάγνωση βλαβών στην κατασκευή της σύνθετης δοκού ως δυαδικό πρόβλημα κατηγοριοποίησης όπου οι δύο κλάσεις αντιπροσωπεύουν τις δύο καταστάσεις της κατασκευής αντίστοιχα. Για την αντιμετώπιση του προβλήματος κατηγοριοποίησης, χρησιμοποιούνται δύο διαφορετικοί τύποι αλγορίθμων Επιβεβλημένης Μάθησης, οι αλγόριθμοι απλής μάθησης (SVM) και οι αλγόριθμοι πολλαπλής μάθησης (RS) που ανήκουν στις μεθόδους Συνολικής Μάθησης. Για την RS επιλέγονται οι αλγόριθμοι kNN, DA για την εκπαίδευση κάθε διακριτού μοντέλου της πολλαπλής μάθησης. Επιπρόσθετα, η βελτιστοποίηση κατά Bayes εφαρμόζεται για την επιλογή των παραμέτρων των αλγορίθμων Επιβεβλημένης Μάθησης. Αξίζει να αναφερθεί ότι το διάνυσμα παραμέτρων του μοντέλου VARMA αναπαριστά τα χαρακτηριστικά των δεδομένων στις μεθόδους Μηχανικής Μάθησης. Τέλος, έπειτα από την σύγκριση και την διερεύνηση των παραπάνω 3 μεθόδων Επιβεβλημένης Μάθησης (SVM, RS-kNN, RS-DA), η μέθοδος RS-DA χαρακτηρίζεται ως αποδοτικότερη προσφέροντας ορθή αναγνώριση των βλαβών σε ποσοστό που προσεγγίζει το 100% ενώ οι ψευδείς συναγερμοί ισούται με 2.1% ή και παραπάνω.
Description
Keywords
Διάγνωση βλαβών, Μηχανική μάθηση, Επιβεβλημένη μάθηση, Κατηγοριοποίηση, Συνολική μάθηση, Στοχαστική αναγνώριση υποχώρου, Αβεβαιότητα