Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/12811
Title: Εκτίμηση στοχαστικών διανυσματικών παραμετρικών μοντέλων και εφαρμογή στην [sic] διάγνωση βλαβών μέσω μεθόδων μηχανικής μάθησης
Other Titles: Estimation of stochastic parametric vector models and utilization in damage detection via machine learning methods
Authors: Κρητικάκος, Κυριάκος
Keywords: Διάγνωση βλαβών
Μηχανική μάθηση
Επιβεβλημένη μάθηση
Κατηγοριοποίηση
Συνολική μάθηση
Στοχαστική αναγνώριση υποχώρου
Αβεβαιότητα
Keywords (translated): Fault detection
VARMA
Machine learning
Supervised learning
Classification
Ensemble learning
Stochastic subspace identification
Uncertainty
Abstract: Η παρούσα διπλωματική εργασία ασχολείται με την εφαρμογή της δυναμικής αναγνώρισης με στοχαστικά παραμετρικά διανυσματικά μοντέλα, στην διάγνωση βλαβών σε σύνθετη δοκό υπό μεταβαλλόμενες συνθήκες λειτουργίας μέσω μεθόδων Μηχανικής Μάθησης. Οι δύο βασικές μορφές των διανυσματικών μοντέλων είναι τα VAR και τα σαφώς πιο πολύπλοκα VARMA. Στην εργασία επιλέγεται η έκδοση των VARMA η οποία οδηγεί σε πιο σύντομες αναπαραστάσεις και επιτυγχάνει καλύτερη προσέγγιση του πραγματικού μοντέλου σε σύγκριση με την απλούστερη έκδοση των VAR. Για την εκτίμηση μοντέλων VARMA χρησιμοποιούνται πολυωνυμικές (2SLS, PE) και χώρου κατάστασης (N4SID) στοχαστικές μέθοδοι. Έπειτα από την επικύρωση και την σύγκριση των μεθόδων με πειράματα Monte-Carlo, η μέθοδος 2SLS μπορεί να χαρακτηριστεί ως αποδοτικότερη προσφέροντας υψηλότερη ακρίβεια εκτίμησης και χαμηλότερη υπολογιστική πολυπλοκότητα σε σχέση με τις υπόλοιπες εξεταζόμενες μεθόδους. Τα προαναφερθέντα συμπεράσματα επιβεβαιώνονται με την μοντελοποίηση μιας σύνθετης δοκού υπό ταλαντωτική λειτουργία με τις τρεις άνωθεν μεθόδους. Η σύνθετη δοκό αναπαριστά τον οπίσθιο βραχίονα ενός μη επανδρωμένου αεροσκάφους (UAV). Από την πειραματική διαδικασία παρέχονται σήματα από δύο διαφορετικές καταστάσεις της κατασκευής (υγιής, υπό βλάβη). Επιπλέον, πραγματοποιείται επανατοποθέτηση της δοκού έπειτα από κάθε πείραμα ώστε να εισαχθεί αβεβαιότητα στα σήματα απόκρισης. Η ύπαρξη αβεβαιότητας οδηγεί στην χρήση διανυσματικής παραμετρικής μοντελοποίησης (VARMA) και σύνθετων μεθόδων Μηχανικής Μάθησης ώστε να είναι εφικτός ο διαχωρισμός των καταστάσεων. Η παρούσα εργασία αντιμετωπίζει την διάγνωση βλαβών στην κατασκευή της σύνθετης δοκού ως δυαδικό πρόβλημα κατηγοριοποίησης όπου οι δύο κλάσεις αντιπροσωπεύουν τις δύο καταστάσεις της κατασκευής αντίστοιχα. Για την αντιμετώπιση του προβλήματος κατηγοριοποίησης, χρησιμοποιούνται δύο διαφορετικοί τύποι αλγορίθμων Επιβεβλημένης Μάθησης, οι αλγόριθμοι απλής μάθησης (SVM) και οι αλγόριθμοι πολλαπλής μάθησης (RS) που ανήκουν στις μεθόδους Συνολικής Μάθησης. Για την RS επιλέγονται οι αλγόριθμοι kNN, DA για την εκπαίδευση κάθε διακριτού μοντέλου της πολλαπλής μάθησης. Επιπρόσθετα, η βελτιστοποίηση κατά Bayes εφαρμόζεται για την επιλογή των παραμέτρων των αλγορίθμων Επιβεβλημένης Μάθησης. Αξίζει να αναφερθεί ότι το διάνυσμα παραμέτρων του μοντέλου VARMA αναπαριστά τα χαρακτηριστικά των δεδομένων στις μεθόδους Μηχανικής Μάθησης. Τέλος, έπειτα από την σύγκριση και την διερεύνηση των παραπάνω 3 μεθόδων Επιβεβλημένης Μάθησης (SVM, RS-kNN, RS-DA), η μέθοδος RS-DA χαρακτηρίζεται ως αποδοτικότερη προσφέροντας ορθή αναγνώριση των βλαβών σε ποσοστό που προσεγγίζει το 100% ενώ οι ψευδείς συναγερμοί ισούται με 2.1% ή και παραπάνω.
Abstract (translated): This diploma thesis deals with the employment of structural identification using stochastic parametric vector models, in damage detection of a subscale beam under variable operating conditions via Machine Learning methods. The two basic versions of vector models are, VAR and the more complex VARMA. Τhe VARMA version which leads to more parsimonious representation and overall better real model fit compared to the pure VAR version is selected in this study. Polynomial (2SLS, PE) and state-space (N4SID) stochastic methods are employed for VARMA estimation. After the validation and comparison of the methods via Monte-Carlo experiments are completed, the 2SLS method can be characterized as most effective providing higher estimation accuracy and lower computational complexity than the other examined methods. The results from the previous procedure are confirmed in a subscale beam modeling under oscillatory operation with the previously mentioned three methods. The subscale beam represents a UAV tail boom. Response signals for different structural states (Healthy, 6 Damage Scenarios) are provided from the experimental procedure. Re-positioning of the composite beam between two consecutive experiments represents boundary conditions uncertainty. Vector stochastic parametric models (VARMA) and complex machine learning methods are required for structural states separation under uncertainty. This paper deals with the damage detection problem in subscale beam as binary classification problem in which the two classes represent the two structural states (Healthy, Damage) respectively. In order to address classification problem, two different types of Supervised Learning algorithms are employed, the single learning algorithms (SVM) and the multiple learning algorithms (RS) which belongs to Ensemble Learning methods. For the RS method, the kNN and the DA algorithms are selected as weak learners. Furthermore, the Bayesian optimization method is applied for hyperparameter selection in Supervised Learning algorithms. A worth-mentioning note is that the parameter vector of VARMA model represents the features of the data. Finally, after the comparison and assessment of the three Supervised Learning methods (SVM, RS-kNN, RS-DA), the RS-DA method can be characterized as most effective providing damage detection rates approaching 100% for false alarms rates at or above 2.1%.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Kritikakos(aer).pdf28.56 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.