30692

اثر ناهمزماني شبكه سنسور بر عدم قطعيت پارامتر هاي استخراج شده از شناسايي سيستم

كارشناسي ارشد

مهندسي عمران- زلزله

1398

1402/7/9

غلامرضا قدرتي اميري

اميرحسين ناظمي

مهندسي عمران

امروزه شبكه حسگر (سنسور) به منظور استخراج پارامترهاي مودال سازه (فركانس طبيعي ، شكل مود و ...) سيستم هاي سازه اي يا به عبارتي شناسايي سامانه (سيستم) به كار گرفته مي شود. پارامترهاي مودال هاي به دست آمده از شناسايي سيستم مي توانند در به روز رساني مدل مورد استفاده قرار گيرند. شناسايي سامانه را مي توان به دو بخش گردآوري داده و پردازش داده تقسيم نمود. هر نوع عدم قطعيتي در دو بخش گردآوري داده و پردازش داده مي تواند منجر به خطا در استخراج پارامترهاي مودال شود و نهايتا به روز رساني مدل با دقت مناسبي انجام نگردد. به عدم قطعيت هاي ناشي از پردازش سيگنال توجه زيادي شده است. اما عدم قطعيت هاي ناشي از گردآوري داده به اندازه كافي مورد توجه قرار نگرفته است.يكي از موارد عدم قطعيت ناشي از گردآوري ، ناهمزماني بين سيگنال هاي ثبت شده توسط سنسورهاي شبكه سنسور مي باشد كه مي تواند ما را در يافتن پارامترهاي مودال دچار اشتباه كند. در اين پايان نامه پژوهشي دو سازه كوتاه مرتبه و بلند مرتبه به وسيله نرم افزار SAP مدل مي شوند و پارامترهاي مودال آنها به وسيله SAP به دست مي آيند. سپس سازه تحريك مي گردد و سيگنال هاي شتاب هر كدام از درجات آزادي كه معادل سيگنال هاي شتاب ثبت شده توسط سنسورهاي شبكه سنسوري مي باشند به دست مي آيند. همچنين از سه روش شناسايي سامانه كه به ترتيب عبارتند از Peak-picking(PP) ، Frequency Domain Decomposition(FDD) وSSI-data-driven(SSI) استفاده مي گردد. سيگنال هاي شتاب ثبت شده در اين سه روش شناسايي سامانه در نرم افزار متلب به كار گرفته مي شوند و مشاهده مي شود كه فركانس هاي طبيعي و شكل مودها تحت تاثير ناهمزماني قرار مي گيرند. در دو روش PP و FDD ، ناهمزماني تنها بر روي شكل مودها اثر گذار مي باشد اما در SSI هم شكل مودها و هم فركانس طبيعي به واسطه ناهمزماني تغيير مي يابند. اين خطاها كه ناشي از ناهمزماني بين سيگنال ها مي باشند مي توانند در به روز رساني مدل بازتاب پيدا كنند و نهايتا يك مدل نادرست از سازه ارائه شود.

1403/01/26

The effect of sensor network asynchrony on Uncertainty of parameters extracted from system identification

9/30/2024 12:00:00 AM

Today, sensor networks are employed for extracting structural modal parameters (natural frequencies, mode shapes, etc.) of structural systems, or in other words, for system identification. The modal parameters obtained from system identification can be used in updating the model. System identification can be divided into two parts: data collection and data processing. Any uncertainty in data collection and data processing can lead to errors in extracting modal parameters and ultimately result in model updating with insufficient accuracy. While uncertainties arising from signal processing have received significant attention, uncertainties arising from data collection have not been adequately addressed. One source of uncertainty arising from data collection is asynchrony between signals recorded by sensor networks, which can lead to errors in finding modal parameters. In this research thesis, two low-order and high-order structures are modeled using SAP software, and their modal parameters are obtained using SAP. Subsequently, the structures are excited and the acceleration signals of each degree of freedom, equivalent to the acceleration signals recorded by sensor networks, are obtained. Furthermore, three system identification methods, namely Peak-picking (PP), Frequency Domain Decomposition (FDD), and SSI-data-driven (SSI), are used. The acceleration signals recorded in these three system identification methods are employed in MATLAB software, and it is observed that the natural frequencies and mode shapes are influenced by asynchrony. In the PP and FDD methods, asynchrony only affects the mode shapes, but in SSI, both the mode shapes and natural frequencies change due to asynchrony. These errors arising from asynchrony between signals can impact model updating and ultimately result in an incorrect model of the structure being presented.

شبكه حسگر (سنسور) , پارامترهاي مودال , شناسايي سامانه (سيستم) , گردآوري داده , پردازش سيگنال

Sensor network , Modal Parameters , system identification , data collection , signal processing

Sorena fayaz Manesh

Dr. Ghodrati