Συγκριτική μελέτη μεθόδων μηχανικής μάθησης συνάρτησης μετάδοσης για τον εντοπισμό βλαβών σε μεταλλική δοκό
Loading...
Date
2026-03-05
Authors
Δρίλλιας, Δημήτριος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία πραγματεύεται το πρόβλημα του εντοπισμού της θέσης βλάβης σε μεταλλική δοκό μέσω ανάλυσης ταλαντωτικών σημάτων απόκρισης, στο πλαίσιο της παρακο-λούθησης της δομικής ακεραιότητας (Structural Health Monitoring). Η προσέγγιση βασίζεται στη χρήση συναρτήσεων μετάδοσης (Transmittance Functions), επιτρέποντας την αποφυγή άμεσης εξάρτησης από τη γνώση της εφαρμοζόμενης διέγερσης και καθιστώντας τη μεθοδολογία κατάλληλη για ρεαλιστικές συνθήκες. Το εξεταζόμενο σύνολο δεδομένων αποτελείται από πειρα-ματικές καταγραφές ταλαντωτικής απόκρισης της δοκού, στις οποίες εισάγεται τοπική βλάβη υπό μορφή κυκλικής οπής σε δέκα διαφορετικές θέσεις κατά μήκος της. Τα σήματα υποβάλλονται σε ενιαία διαδικασία προεπεξεργασίας και φασματικής ανάλυσης με στόχο αξιόπιστα αποτελέ-σματα. Στη συνέχεια υλοποιείται και συγκρίνεται σύνολο μεθόδων εντοπισμού θέσης βλάβης, συμπεριλαμβανομένων μη παραμετρικών προσεγγίσεων πολλαπλών μοντέλων (MM-TF), παρα-μετρικών μοντέλων Transmittance Function ARX (MM-TF-ARX), καθώς και εποπτευόμενων αλγορίθμων μηχανικής μάθησης όπως k-Nearest Neighbors (kNN-TF-ARX) και Support Vector Machines (SVM-TF-ARX). Επιπλέον, προτείνεται η συναρτησιακή προσέγγιση Functionally Pooled Transmittance Function ARX (FP-TF-ARX), στην οποία οι παράμετροι του μοντέλου εκφράζονται ως συναρτήσεις της χωρικής θέσης της βλάβης, επιτρέποντας συνεχή εκτίμηση έναντι διακριτής ταξινόμησης. Τα αποτελέσματα δείχνουν ότι οι συναρτήσεις μετάδοσης παρέ-χουν επαρκώς ευαίσθητη αναπαράσταση της δυναμικής συμπεριφοράς της κατασκευής. Η μη παραμετρική προσέγγιση MM-TF επιτυγχάνει υψηλή ακρίβεια εντοπισμού 97.18%, ενώ οι παρα-μετρικές προσεγγίσεις που βασίζονται σε μοντέλα TF-ARX παρουσιάζουν χαμηλότερη απόδοση, με ακρίβεια 81.03% για τη μέθοδο MM-TF-ARX. Η ενσωμάτωση αλγορίθμων μηχανικής μάθη-σης βελτιώνει την απόδοση των παραμετρικών χαρακτηριστικών, με τις μεθόδους kNN-TF-ARX και SVM-TF-ARX να επιτυγχάνουν ακρίβεια 86.7% και 82.9% αντίστοιχα. Η συναρτησιακή μέθοδος FP-TF-ARX επιτυγχάνει την υψηλότερη ακρίβεια εντοπισμού 99.7%, αναδεικνύοντας το πλεονέκτημα της μοντελοποίησης της δυναμικής συμπεριφοράς της κατασκευής ως συνεχούς συνάρτησης της θέσης της βλάβης, σε αντίθεση με τις προσεγγίσεις ταξινόμησης. Συνολικά, η εργασία καταδεικνύει ότι ο συνδυασμός ανάλυσης χρονοσειρών, συναρτήσεων μετάδοσης και μεθόδων μηχανικής μάθησης αποτελεί αποτελεσματική και πρακτικά εφαρμόσιμη στρατηγική για αξιόπιστο εντοπισμό βλαβών σε πειραματικά δεδομένα.
Description
Keywords
Παρακολούθηση δομικής ακεραιότητας, Συνάρτηση μετάδοσης, Μηχανική μάθηση, Εντοπισμός θέσης βλάβης, Μεταλλικές δοκοί