Localization and identification of structural nonlinearities using cascaded optimization and neural networks

در این مطالعه، با استفاده از بهینه سازی آبشاری و شبکه های عصبی، یک روش جدید برای شناسایی ناهماهنگی ساختاری پیشنهاد شده است. مدل عنصر خطی سیستم و توابع واکنش فرکانسی اندازه گیری شده در مکان های دلخواه سیستم در این روش استفاده می شود. با استفاده از مدل عنصر محدود، یک مجموعه داده آموزشی ایجاد می شود که به طور مناسب فضای پیکربندی غیر خطی سیستم را دربر می گیرد. یک شبکه عصبی طبقه بندی شده در این مجموعه داده ها آموزش داده می شود و سپس انواع مختلفی غیر خطی مربوط به درجه غیر خطی آزادی در سیستم را تعیین می کند. مجموعه ای از داده های آموزشی آموزشی که روی فضای پارامتری مرتبط با غیر خطی های تعیین شده ایجاد شده است، به منظور شناسایی پارامترها تسهیل می شود. با استفاده از این مجموعه داده ها، در ابتدا یک شبکه عصبی رگرسیون پیش فرض خوراکی آموزش داده می شود که به صورت پارامتریکی غیر خطی های طبقه بندی را شناسایی می کند. سپس، نتایج به دست آمده با انجام یک بهینه سازی که با استفاده از ارزش های تعیین شده شبکه به عنوان نقاط شروع، بهبود می یابد. بر خلاف روش های شناسایی موجود در ادبیات، رویکرد پیشنهادی از جمع آوری داده ها از درجه آزادی هایی که در آن عناصر غیر خطی متصل هستند نیازی ندارد و علاوه بر این، حتی در صورت وجود نویز اندازه گیری نیز دقیق است. استفاده از رویکرد پیشنهادی بر روی سیستم نمونه ای با عناصر غیر خطی و بر روی یک آزمایش آزمایشی واقعی با یک غیر خطی محلی نشان داده شده است.