بخشی از مقاله
چکیده
باگذشت زمان علاقه بسیاری درتحقیق وتوسعه و پیشرفت فناوری استفاده ازسیستمها و نرمافزارهای هوشمند برای کنترل سازهها بوجود میآید . در این راستا محققان ابزارآلات ابتکاری کنترل هوشمند و نرمافزارهای توانایی را ابداع کردهاند . ازاین عوامل میتوان ازشبکههای عصبی به عنوان عاملی هوشمند و توانا که در مراحل مختلف کنترل سازه ها از آنها استفاده میشوند، را نام برد.
محققان و طراحان از چندی پیش با تعبیه سنسورهای ویژهای در سازه، روند کنترل را بسیار سادهتر وکارایی آنرا بسیار بیشتر نمودهاند. بدین صورت، عمل کنترل بر پایه اطلاعات دریافتی از سوی این سنسورها انجام می گیرد . بسیار واضح است که اگر در طی کارکرد ، این سنسورها معیوب شوند ، سیستمهای کنترل دچار اشتباهات فاحشی میشوند.
بنابراین سعی شده است که بوسیله سیستمهای هوشمند، اطلاعات رسیده از سوی این سنسورهای معیوب تصحیح شود. بدین صورت که ابتدا شبکه ها پاسخ سازه را کنترل میکنند و سنسورهای شکسته شده را که میتوانند کنترل ، اجرا و تأثیرات آنرا کاهش بدهند راپیدا میکنند و آنچه را که سنسورهای معیوب باید ارائه بدهند را توسط اطلاعات دریافت شده از سوی سنسورهای سالم تخمین می زنند و در نهایت این اطلاعات صحیح به سوی سیستم کنترل ارسال میشوند.
همچنین مقادیرماکزیمم نیروی محرک سیستم کنترل ونیزتغییرمکان مجاز سازه بعنوان قیود و حدود در نظرگرفته شده،که کارشبکه های عصبی بدینگونه است که موقعیتهایی راکه پارامترهای نیروی محرک و تغییرمکان، توانایی نقض این حدود را داشته باشند را پیش بینی کند و قبل ازآنکه آنها امکان بوجود آمدن را داشته باشند و بتوانند برای سازه ایجاد خطر نمایند ، با اصلاح روند کنترل از وقوع آنها جلوگیری به عمل بیا ورند .
۱- مقدمه
علاقه بسیاری درتحقیق وتوسعه و پیشرفت فنآوری تکنولوﮊی کنترل برای سازهها در سه دهه گذشته وجود داشته است. درمورد کنترل سازهها ، استفاده از شبکههای عصبی مصنوعی به سرعت در حال افزایش است. محققان و طراحان ازچندی پیش با بکار بردن و تعبیه سنسورهای ویژهای در سازه روند کنترل را بسیار سادهتر و کارایی آنرا بسیار بیشتر نمودهاند. بسیار واضح و روشن است که اگر در طی کارکرد، این سنسورها معیوب شوند ، سیستمهای کنترل دچار اشتباهات فاحشی میشوند . پس از چنین شکستهایی که موجب ایجاد تأثیرهای بسیار و کاهش اجرای کنترل می شوند به یک سیستم نظارت پیوسته، برای پیدا کردن اتوماتیک این چنین شکستهایی نیازی مبرم است . در صورت آموزش صحیح شبکهها ، ازآنها برای پیداکردن اتوماتیک عیوب و نیز برای دسته بندی و شناسایی چندین نوع ازخطاها و عیبها استفاده می شود.
هدف از این مطالعه و بحث این است که توانایی شبکههای عصبی مصنوعی مورد استفاده را برای پیدا کردن شکستها و تطبیق آنها درسیستم کنترل سازه را امتحان بکند .
در قسمت بعدی از شبکه های عصبی برای برآورد نقض محدودیت های معین شده و اصلاح روند کنترل استفاده می شود . بدین صورت که وقتی یک محرک ضربهای به سازه وارد میسازد ، شبکه ها حدود لرزههای خطرناک ، فشارهای خطرناک و محرکهای گسترده مضر و… را ، قبل از آنکه آنها امکان بوجود آمدن را داشته باشند ، پیش بینی میکنند و برآورد میکنند که آیا یک متغیر عملکرد ، محدودیت معینی را نقض میکند یا نه و سپس روند کنترل را طوری اصلاح میکنندکه از نقض محدودیتها جلوگیری و ممانعت بعمل بیا ورد .
۲- شبکه عصبی یابنده شکست سنسور - - FDNN
شبکه عصبی - Failure Detection Neural Network - “ FDNN “ ، از سنسورهای تعبیه شده در سازه ، اطلاعات و دادههایی را دریافت می کند و به صورت اتوماتیک سنورهای معیوبی را که بتواند سبب وخیم شدن و بدتر شدن اجرا و روند کنترل بشوند را تشخیص و پیدا می کند . پس ، هدف این شبکه پیدا کردن اتوماتیک وجود و حضور سنسورهای معیوب درطی کارکرد است .
اولین قدم برای استفاده از این شبکه آموزش آن است که ممکن است .در طی آموزش ، اطلاعات و دادههای قبلی که با سنسورهای سالم به شبکه عصبی بصورت تاریخچه زمانی تعیین و ارائه شده اند ثبت می شوند .
پارامترهای شبکههای عصبی عباراتند از وزنها و تأثیرات ، که بوسیله یک قاعده آموزشی سازگار هستند ، بطوریکه خروجی تاریخچه زمانی شبکه عصبی ، برای دادههای هر سنسور سالم ، با یک مقدار از قبل تعیین شده - معمولاﹰ یک - ، یکسان و برابر باشند. جریان آموزش ، زمانی منقضی میشود که شبکه ، یک مقدار خروجی تاریخچه زمانی ثابت از قبل تعیین شده را در جواب و پاسخ به اطلاعات و دادههایی که از سنسورهای سالم رسیده ، تولید کرده باشد . برای پیدا کردن وجود شکست در سنسورها شبکه آموزش داده شده ، دادههایی که درحال آمدن است را کنترل می کند و اگر سنسوری در طی عملکرد معیوب شود ، شبکه آنرا پیدا می کند . مرسوم است که یک محدوده اطمینان در حدود - µ٢ - داشته باشیم که شبکه شکستهای حتمی را پیدا بکند و اخطار های غلط را کاهش دهد
شبکه عصبی تطابق سنسورهای شکست - - FANN
هدف از این شبکه این است که اطلاعات و دادههای سنسورهای معیوب را از FDNN دریافت بکند و شکستهای آنها را تطبیق بدهد، تا اینکه اجرا و تأثیر کنترل را مورد تأثیر خود قرار ندهند و موجب تغییر سیستم کنترل نشوند . شکست با استفاده از دادههای رسیده از سنسورهای سالم باقی مانده انطباق پیدا میکند و آنچه را که سنسورهای معیوب باید بخوانند حدس و تخمین میزندو ازاین برآوردها در یک حلقه بسته استفاده میکند.
بنابراین شبکه عصبی - Failure Accommodate Neural Network - “FANN “ داده هایی راکه سنسورهای معیوب می بایستی میخواندند را بوسیله اطلاعات دریافت شده ازسنسورهای سالم برآورد می کند. مفهوم کامل آموزش FANN ممکن است توسط یک مثال ساده با دو سنسور A و B که درشکل - ٢ - الف - نشان داده شدهاند روشن شود . در طی آموزش دادههایی که باهر دو سنسور جمعآوری می گردند با یک تاریخچه زمانی ذخیره میگردند. برای مسأله تفاوت بین سیگنال خروجی و سیگنال هدف از اصلاح وزنها و تأثیرات شبکه با آموزش یک قانون استفاده می شود .
این روند تا هنگامی که تفاوت بین خروجی های شبکه - پیشبینی و برآوردهای آن - وسیگنال هدف کمتر از یک مقدار خاص از قبل تعیین شده شود ، تکرار میشود. این مسأله به این نکته اشاره میکند که آموزش شبکه کامل است و میتواند برای تخمین زمان های واقعی دادههای ثبت شده با سنسورB ، به کار برده شود - شکل۲ - ب - . اکنون شبکه FANN به سیستم سازه و دادههای رسیده از سنسورها در زمانهای واقعی متصل است
