Birden çok cıvata gevşemesinin veri tabanlı istatistiki örüntü tanıma teknikleriyle tespiti

Yıl 2021, , 1993 - 2010, 02.09.2021

Mahmut Pekedis

https://doi.org/10.17341/gazimmfd.820157

Cited By: 1

Öz

Çevresel ve operasyonel belirsiz koşullara maruz kalan mühendislik sistemlerinin barındırdıkları cıvatalar kullanımları sırasında bazen gevşeyip facialara neden olabilirler. Bu da mal, zaman ve hatta bazı durumlarda can kayıplarına neden olabilmektedir. Dolayısıyla, bu teknolojik mühendislik sistemlerinde oluşabilecek cıvata gevşemelerini tespit edip güvenliklerini ve bütünlüklerini korumak hayatî derecede önem arz etmektedir.
Bu araştırmanın temel hedefi, çevresel ve operasyonel belirsizlik koşullara maruz kalan bir sistemin vektör otoregresif (VOR) modeli hem tek başına, hem de tekil değer ayrışımı (TDA), Mahalanobis mesafesi ve asal bileşenler analizi (ABA) gibi tekniklerle birlikte kullanarak bir veya birden çok cıvata gevşemesini tespit etmektir. Araştırma, laboratuvar ortamında üretilen üç katlı alüminyum bir sistem üzerine uygulanmıştır. Üç katlı sistemdeki hasar benzetim senaryoları her bir katta yer alan çerçevedeki cıvatanın gevşetilip doğrusal olmayan etki oluşturmasıyla yapılmıştır. Sistem iki ray üzerinde sadece yanal yönde hareket edebilmektedir. Zemin katı tek eksenli ve bant genişliği sınırlandırılmış rastgele frekanslarla (operasyonel ve çevresel ortam benzetimi için) elektromanyetik sarstırıcı aracılığıyla titreştirilmiştir. Her bir katta yer alan elemanın kenar bölgesine sistemin dinamik tepkilerini belirlemek ve bunların ölçümlerini cıvata gevşeme tespitinde kullanmak amacıyla tek eksenli ivmeölçer yerleştirilmiştir. İvmeölçer verileri sekiz farklı cıvata gevşeme durumu için toplanmıştır. Daha sonra, bu ölçüm verileri istatistiki örüntü algoritmalarında değerlendirilerek uygulanan yöntemlerin cıvata/cıvataların gevşemesini tespit edebilme kabiliyetleri karşılaştırılmış ve elde edilen sonuçlar da tablo ve alıcı işletim karakteristik (AİK) eğrileriyle sunulmuştur. Her tekniğin sonucu AİK eğrisi altında kalan alan ve optimum doğru pozitif oranı (DPO) açısından değerlendirildiğinde en iyi başarının VOR modelinin ABA ile birlikte kullanılması sonucu elde edilmiştir. Çalışmada uygulanan yaklaşımın en önemli özelliği, cıvata gevşemesinden en çok etkilenen sensörü efektif bir şekilde belirleyebilmesi ve cıvata gevşemesinin tespitinde kullanılabilirliğidir.

Anahtar Kelimeler

Cıvata gevşemesi, örüntü tanıma, yapı sağlığı izleme, vektör otoregresif modeli, tekil değer ayrışımı, Mahalanobis uzaklığı

Destekleyen Kurum

Ege Üniversitesi Bilimsel Araştırma Projeleri Ofisi

Proje Numarası

17-ÜYDAUM-001

Teşekkür

Yazar, bu çalışma ile ilgili sundukları değerli fikir ve yorumlarından dolayı, Ege Üniversitesi Makina Mühendisliğinden Prof. Dr. Hasan Yıldız'a, Los Alamos Araştırma Laboratuarı Mühendislik Enstitüsünden Dr. Charles R.Farrar ve Dr. David Mascarenas'a teşekkür eder.

Kaynakça

• 1. Balageas D., Fritzen C-P. and Guemes A., Structural Health Monitoring, ISTE Ltd, London, UK, 2006.
• 2. Farrar C.R., Worden K., Structural Health Monitoring: A Machine Learning Perspective, John Wiley & Sons Ltd., 2013.
• 3. Pekedis M., Mascarenas D., Turan G., Ercan E., Farrar C.R., Yildiz H., Structural health monitoring for bolt loosening via a non-invasive vibro-haptics human-machine cooperative interface, Smart Materials and Structures, 24, 085018, 2015.
• 4. Farrar C.R., Duffey T. A., Doebling S.W., Nix D.A., A statistical pattern recognition paradigm for vibration-based structural health monitoring, Proceedings of the 2nd International Workshop on Structural Health Monitoring, Technomic Publishing, Lancaster, PA, 764-773, 1999.
• 5. Pekedis M., Yildiz H., Damage diagnosis of a laminated composite beam and plate via model based structural health monitoring techniques, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(4), 813-831, 2016.
• 6. Hughes A.J., Barthorpe R.J., Dervilis N., Farrar C.R., Worden K., A probabilistic risk-based decision framework for structural health monitoring, Mechanical Systems and Signal Processing, 150, 107339, 2021.
• 7. Doebling SW., Farrar CR. ve Prime MB., A summary review of vibration-based damage identification methods, Shock Vbr Dig, 20, 91-105, 1998.
• 8. Pekedis M., Kompozit malzemeler için yapı izleme ve bakım sistemi, Doktora tezi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, 2014.
• 9. Carden EP., Funning P., Vibration based condition monitoring: A review, Structural Health Monitoring, 3(4), 355-77, 2004.
• 10. Hamey CS., Lestari W., Qiao P., Song G., Experimental damage identification of carbon/epoxy composite beam using curvature mode shapes, Structural Health Monitoring, 3(4), 333-53, 2004.
• 11. Sohn H., Farrar C.R., Damage diagnosis using time series analysis of vibration signals, Smart Materials and Structures, 10, 446-451, 2001.
• 12. Liu G.R., Han X., Computational Inverse Techniques In Nondestructive Evaluation, CRC Press LLC, Boca Raton, Florida, 2003.
• 13. Inman D.J., Vibration with control, John Wiley & Sons Inc., Chichester, England, 2006.
• 14. Farrar C.R. ve Worden K., An introduction to structural health monitoring, Phil. Trans. R. Soc. A, 365, 303–315, 2007.
• 15. Sohn H., Worden K., Farrar C.R., Statistical damage classification under changing environmental and operational conditions, Journal of Intelligent Material Systems And Structures, 13, 561-574, 2002.
• 16. Tuncer T., A novel image authentication method based on singular value decomposition, Journal of the Faculty of Engineering and Architecture of Gazi University, 32:3 877-886, 2017.
• 17. Eris E., Aksoy H., Onoz B., Cetin M vd., Frequency analysis of low flows in intermittent and non-intermittent rivers from hydrological basins in Turkey. Water Science and Technology: Water Supply, 19(1), 30-39, 2019.
• 18. Figueiredo E., Park G., Farrar C.R., Worden K., Figueiras J., Machine learning algorithms for damage detection under operational and environmental variability, Structural Health Monitoring, 10(6) 559–572, 2010.
• 19. Mosavi A.A., Dickey D., Seracino R., Rizkalla S., Identifying damage locations under ambient vibrations utilizing vector autoregressive models and Mahalanobis distances, Mechanical Systems and Signal Processing, 26, 254–267, 2012.
• 20. Liu A., Wang L., Bornn L., Farrar C.R., Robust structural health monitoring under environmental and operational uncertainty with switching state-space autoregressive models, Structural Health Monitoring, 18(2), 435–453, 2018.
• 21. Worden K., Cross E.J., On switching response surface models, with applications to the structural health monitoring of bridges, Mechanical Systems and Signal Processing, Mechanical Systems and Signal Processing, 98, 139–156, 2018.
• 22. Shi H., Worden K., Cross E.J., A regime-switching cointegration approach for removing environmental and operational variations in structural health monitoring, Mechanical Systems and Signal Processing 103, 381–397, 2018.
• 23. Johansen S., Likelihood -based inference in co integration vector auto-regressive models, Oxford University Press Inc, Newyork, USA, 1995.
• 24. Krolzig H.M., Markov-Switching vector auto regressions, Modeling, Statistical inference, and application to business cycle analysis, Springer-Verlag, Berlin, Heidelberg, Newyork, USA, 1997.
• 25. Ljung L., System identification -theory for the use, Prentice Hall, Englewood Cliffs, NJ, USA, 1987.
• 26. Schwarz G., Estimating the dimension of a model. Annals of statistics, 6(2), 461-464, 1978.
• 27. Abdi H. ve Williams L.J., Principal component analysis WIREs Comp Stat, 2: 433–459 , 2010.
• 28. Durmus G., Sogukpinar I., A novel approach for analyzing buffer overflow vulnerabilities in binary executables by using machine learning techniques, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(4): 1695-1704, 2019.
• 29. Šimundić A. M., Measures of Diagnostic Accuracy: Basic Definitions, EJIFCC, 19(4): 203–211, 2009.