-0- ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM -1- MỞ ĐẦU Trên đa số hệ thống cầu giao thông, dầm cầu thành phần chịu tải bản, khuyết tật xuất dầm cầu nguyên nhân gây sập cầu Nghiên cứu xây dựng phương pháp nhận dạng khuyết tật dự báo tình trạng làm việc dầm cách tiếp cận để xây dựng hệ thống nhận dạng dự báo khuyết tật thường xuyên (ND-DBTX) cầu Chương TỔNG QUAN 1.1 GIỚI THIỆU CHUNG NGUYỄN SỸ DŨNG NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT CỦA DẦM TRÊN NỀN MẠNG NEURON VÀ LOGIC MỜ Chuyên ngành: Cơ kỹ thuật Mã số: 62 52 02 01 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT 1.1.1 Sơ lược nhận dạng dự báo khuyết tật Đối tượng nghiên cứu luận án phần tử dầm, luận án khuyết tật hiểu theo nghĩa thay đổi làm suy giảm độ cứng chống biến dạng hệ, chẳng hạn thay đổi đặc trưng hình học làm giảm diện tích tiết diện ngang, giảm mơ men qn tính trung tâm tiết diện ngang, suy giảm tính: giảm mơđyn đàn hồi vật liệu, tổ hợp yếu tố 1.1.1.1 Nhận dạng khuyết tật Nhận dạng khuyết tật bao gồm kiểm tra kết luận việc có hay khơng diện khuyết tật, xác định vị trí mức độ hư hỏng 1.1.1.2 Bài toán dự báo Trong quản trị cầu, công tác dự báo quan tâm nhiều tới việc xác định quy luật suy giảm độ cứng chống biến dạng cầu 1.1.2 Hai giải pháp nhận dạng dự báo khuyết tật Có thể phân hai hướng nghiên cứu Hướng thứ sâu nghiên cứu đặc điểm dạng khuyết tật riêng biệt Hạn chế giải pháp không mang tính khái qt nên khó xây dựng thuật tốn mang tính tổng qt Hướng thứ hai hướng phi cấu trúc: không quan tâm cách chi tiết đặc điểm loại khuyết tật mà nghiên cứu đặc trưng chung đáp ứng động lực học có khuyết tật để nhận dạng dự báo, nghĩa dựa vào lời giải toán ngược động lực học hệ Theo hướng xây dựng thuật tốn mang tính tổng qt 1.1.3 Quản trị cầu Quản trị cầu giao thông, theo nghĩa thông thường, bao gồm theo dõi, giám sát, kiểm tra, đo đạc để đánh giá khả tải cầu; lưu trữ liệu đưa định liên quan tới công tác khai thác cầu 1.2 MỘT SỐ CƠNG TRÌNH LIÊN QUAN Có nhiều nghiên cứu thời gian gần nhận dạng dự báo khuyết tật dựa vào lời giải toán ngược động lực học hệ, dựa vào mạng neuron nhân tạo (Artificial Neural Networks, ANN) logic mờ (Fuzzy Logic, FL) TP HCM – NĂM 2010 1.3 GIỚI THIỆU LUẬN ÁN 1.3.1 Mục đích luận án Trên đa số hệ thống cầu giao thông, dầm cầu thành phần chịu tải bản; khuyết tật xuất dầm nguyên nhân gây sập cầu Mục tiêu luận án nghiên cứu -2- xây dựng thuật toán nhận dạng dự báo khuyết tật phần tử dầm, làm sở để xây dựng hệ thống ND-DBTX cầu nghiên cứu 1.3.2 Nhiệm vụ đặt cho luận án - Nghiên cứu tổng quan nhận dạng dự báo khuyết tật cầu giao thông - Phát triển công cụ toán học cho thuật toán nhận dạng dự báo khuyết tật, bao gồm xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy xây dựng thuật toán huấn luyện mạng neuro-fuzzy - Xây dựng thuật toán nhận dạng dự báo khuyết tật dầm hệ thống suy diễn neuro-fuzzy - Thí nghiệm, kiểm chứng đánh giá khả ứng dụng hệ thống cầu thực thuật toán nhận dạng dự báo khuyết tật nêu trên, làm sở cho nghiên cứu xây dựng hệ thống ND-DBTX 1.3.3 Phương pháp nghiên cứu Giải pháp phi cấu trúc nhận dạng dự báo khuyết tật sử dụng 1.3.4 Tính thực tiễn đề tài Yêu cầu thực tế đặt cần phải triển khai biện pháp khoa học công nghệ tiên tiến vào quản lý hệ thống cầu giao thơng Ngồi ra, bước làm chủ khoa học công nghệ quản trị cầu hệ lớn, chi tiết cấu máy việc làm có ý nghĩa thực tiễn cao 1.3.5 Tóm tắt nội dung Luận án trình bày chương MẠNG NEURON, LOGIC MỜ VÀ HỆ THỐNG SUY DIỄN NEURO-FUZZY Chương trình bày cơng cụ tốn học sử dụng chương nhận dạng dự báo khuyết tật, ANN, FL mạng neuro-fuzzy Phần đầu trình bày tóm tắt lý thuyết chung ANN FL Phần cuối chương trình bày thuật toán tác giả huấn luyện mạng ANN tổng hợp hệ thống suy diễn neuro-fuzzy thích nghi: thuật tốn TT* [1], CBMM, HLM [2] CSHL, HLM1, HLM2 [9] – đóng góp khoa học luận án chương Chương 2.1 MƠ HÌNH TỐN CỦA CƠ HỆ Trong nhận dạng dự báo khuyết tật dựa vào đặc trưng ứng xử động lực học, khuyết tật làm thay đổi độ cứng chống biến dạng E J x chưa biết vị trí mức độ suy giảm việc xây dựng mơ hình tốn đối tượng thường dựa vào liệu vào-ra thực nghiệm thông tin chưa đầy đủ đối tượng, gọi nhận dạng hệ thống, mơ hình nhận được gọi mơ hình hộp đen Một số cơng cụ tốn học hữu dụng nhận dạng theo mơ hình hộp đen: mạng ANN, hệ thống suy diễn mờ, hệ thống suy diễn neuro-fuzzy 2.2 MẠNG ANN Sơ lược ANN Mạng ANN mơ hình tốn mơ cách tổ chức phương thức xử lý thông tin hệ thần kinh người Đặc điểm ANN Có khả thích nghi cao, có tính phi tuyến cao, phù hợp với toán nhận dạng, dự báo, điều khiển theo mơ hình hộp đen -3- Huấn luyện ANN Luận án đề cập tới huấn luyện thông số theo luật học giám sát Thiết kế ANN Thường thực theo bước: xác định biến vào ra, thu thập xử lý liệu, chọn cấu trúc, huấn luyện mạng, thử nghiệm tinh chỉnh mạng 2.3 HỆ THỐNG SUY DIỄN MỜ 2.3.1 Cơ sở logic mờ 2.3.1.1 Khái niệm tập mờ Tập mờ mở rộng lý thuyết tập hợp cổ điển, cho phép đánh giá từ từ quan hệ thành viên phần tử tập hợp hàm liên thuộc µ → [0,1] 2.3.1.2 Một số phép toán tập mờ Phép hợp, phép giao tập mờ phép bù phép toán thường sử dụng xây dựng hệ thống suy diễn mờ 2.3.2 Hệ thống suy diễn mờ 2.3.2.1 Biến ngôn ngữ q trình mờ hóa Mỗi giá trị ngơn ngữ xác định tập mờ định nghĩa tập tập số thực dương giá trị vật lý x Mỗi giá trị vật lý tồn vecror  thể mức độ liên thuộc x vào biến ngôn ngữ, thể q trình mờ hóa giá trị rõ x 2.3.2.2 Luật suy diễn mờ Luật suy diễn mờ xác lập từ mệnh đề hợp thành, thường dạng NẾU-THÌ, thể mối liên hệ mờ 2.3.2.2.1 Quy tắc hợp thành Thường sử dụng quy tắc MIN quy tắc PROD 2.3.2.2.2 Mệnh đề hợp thành dạng SISO Một mệnh đề hợp thành SISO có dạng NẾU 1 =A THÌ  =B (2.21) 2.3.2.2.3 Mệnh đề hợp thành MISO Một mệnh đề hợp thành MISO có dạng NẾU 1 = A1 VÀ  = A2 VÀ…VÀ  p = Ap THÌ  = B (2.26) 2.3.2.3 Giải mờ Đây trình xác định giá trị rõ y’ từ  B ' ( y ) tập mờ B’ 2.4 HỆ THỐNG SUY DIỄN NEURO-FUZZY Việc kết hợp FL ANN tạo mô hình có tính ưu việt so với ANN hệ mờ túy Có hai cách kết hợp: - Mờ hóa mơ hình ANN truyền thống Kết nhận hệ fuzzy-neuron - Sử dụng ANN cơng cụ mơ hình suy diễn mờ fuzzy Theo cách nhận hệ neuro-fuzzy Luận án sử dụng cách thứ hai 2.5 MỘT SỐ THUẬT TOÁN LIÊN QUAN Phần trình bày đóng góp khoa học luận án chương 2, trình bày chi tiết [1][2][9], huấn luyện ANN tổng hợp hệ thống suy diễn neuro-fuzzy Đây công cụ toán học cho thuật toán nhận dạng dự báo khuyết tật trình bày chương 2.5.1 Thuật tốn huấn luyện ANN Mục trình bày thuật TT* [1]: P Hàm sai số biến đổi dạng Er (W )  i v  V (W )T V (W ) Từ tính i 1 ma trận Jacobian, J(Wn), Er(W) bước lặp -4- -5- Bước Cho điểm xuất phát W0, hướng dịch chuyển hướng âm (-) gradient điểm W0, tính sau: p0   g  2 J (W )T V (W ) |W W0 Bước Định biên cho siêu phẳng không gian ra: Ứng dụng LMS Dùng kết bước NT2 để cập nhật a (j k ) ,j=0…n, Ak , k=1…M Bước Tại điểm Wn, tính gn,  n , An theo V(W) J(Wn) sau xác định hướng Bước Sắp xếp lại bó siêu phẳng: Tại vịng lặp thứ r, tính:  n  ( yi    a (jk ) xij  a0k )   j 1    , d (k )  (2.54) dịch chuyển pn: pn   g n  n pn 1 Bước Xác định bước dịch chuyển:  n   ( J (W )T V (W ) |W Wn )T pn pnT ( J (W )T J (W ) |W Wn ) pn Cực tiểu hóa theo hướng pn , xác định điểm trung gian W*n = Wn +  n pn Bước Tại điểm Wn*, tính gia số bước dịch chuyển: T  n   T ( J (W ) V (W ) |W W * ) pn n pnT ( J (W )T J (W ) |W W * ) pn (2.38) (r) i n   (a (jk ) ) j 1 k  M , i  P - Từng cặp ( xi , yi ), i  P, tập mẫu gán siêu phẳng thứ q, Aq, bó thứ q, ( q ) có ( q) (r ) di  [ ( r ) d i( k ) ] mang nhãn q  k 1 M n sau cực tiểu hóa hàm sai số theo hướng pn nhằm xác định điểm Wn+1: Wn+1 = W*n +  n pn Nếu thuật toán chưa hội tụ, quay lại bước 2.5.2 Hệ thống suy diễn neuro-fuzzy 2.5.2.1 Chia bó liệu Tập liệu chia thành bó phần tử mang tính chất chung Đây khung sườn để xây dựng tập mờ hàm liên thuộc Có nhiều phương pháp, chẳng hạn chia bó cứng HCM [64], chia bó mềm FCM [101], Hyperplane Clustering [93] Phần sau trình bày giải pháp chia bó chúng tơi trình bày [2] 2.5.2.1.1 Thuật tốn chia bó min-max, CBMM Thuật toán CBMM [2] dùng để xây dựng bó liệu dạng siêu hộp min-max khơng gian liệu vào, siêu phẳng không gian gán nhãn cho tất mẫu huấn luyện Hai nguyên tắc (NT) xây dựng CBMM NT1: số bó liệu khơng gian vào số siêu phẳng không gian số luật mờ M; NT2: mẫu xi không gian vào thuộc bó thứ k, ( k ) , đáp ứng vào-ra xi gán cho siêu phẳng nhãn Ak không gian ngược lại Nội dung thuật toán CBMM sau: Chọn M Gọi ma trận phân bố liệu [64] vòng lặp thứ r U ( r ) Chọn U (0) Bước Chia bó khơng gian vào - Nếu chu kỳ khởi tạo CBMM ( r  ): Áp dụng NT1 thuật tốn HCM [64] để tìm bó ( k ) , k  M , không gian vào - Nếu chu kỳ r  : Sử dụng NT2 để định biên cho bó không gian vào dựa vào biên chế siêu phẳng nhãn không gian Sử dụng HCM để xếp, điều chỉnh lại biên chế bó Kiểm tra độ sai lệch không gian vào: M P U (r) - U (r -1) ij ij kt_in(r) =   [in ]; (2.53) P i 1 j 1 - Tính kiểm tra theo giá trị cho phép [ out ] không gian ra:  ( r ) di(.)  ( r 1) di(.)    [out ] kt _ out( r ) (2.56)    di(.) i 1  ( r 1)  Bước Kiểm tra điều kiện dừng: Giá trị sai lệch trung bình khơng gian vào vòng lặp thứ r xác định dựa vào (2.53) (2.56) - Nếu kt _ in  [in ] kt _ out  [ out ] : Dừng - Nếu hai bất đẳng thức (2.53) (2.56) khơng thỏa mãn: Nếu số vịng lặp r  [r ] : quay lại bước 1; r  [r ] : q trình khơng hội tụ Tăng số luật mờ: M=M+1, quay lại bước ( [r ] số vòng lặp cho phép)  P P 2.5.2.1.2 Thuật toán cắt siêu hộp lai, CSHL [9] Dùng để cắt siêu hộp lai hHB, thiết lập tập siêu hộp chủng phủ toàn mẫu liệu tập huấn luyện T , làm sở để xây dựng tập mờ không gian liệu vào 1/ Hàm định hướng Xét việc cắt siêu hộp lai hHB không gian n chứa Pl mẫu ( xi , yi ) để thiết lập siêu hộp chủng pHB Gọi n1 số lượng mẫu nhãn nh_1 có số lượng lớn hHB – gọi tắt loại 1; n2 số lượng mẫu nhãn nh_2 có số lượng lớn thứ hai hHB – gọi tắt loại 2, ( n1  n2 ) Gọi C1 C2 theo thứ tự tâm phân bố hai loại mẫu Gọi d j khoảng cách C1 C2 đo trục tọa độ thứ j; Cj trung điểm khoảng cách tâm phân bố C1 C2 đo trục thứ j , j  n Nếu sử dụng siêu phẳng cắt MCj qua Cj vng góc với trục j để cắt hHB có n cách cắt khác MCj cắt hHB thành hai siêu hộp nhỏ HB1 HB2, theo thứ tự chứa n1 j ni2 j mẫu loại loại i -61j 1j n n  n1 n2 Hàm chủng phản ánh tình trạng phân bố mẫu loại loại HB1 HB2 Giá trị  j cao mức độ chủng cao Hàm chủng  j , j  n định nghĩa: j Hàm định hướng  j , j  n định nghĩa sau: 0 if  j  1  j  j  (   ) if  j  2  1   j   1 if -7- 2.5.2.2 Tổng hợp hệ thống suy diễn neuro-fuzzy Phần trình bày thuật tốn tổng hợp hệ thống suy diễn neuro-fuzzy HLM1, HLM2 [9] HLM [2] 2.5.2.2.1 Thuật toán HLM1 Cấu trúc mạng HLM1 hình 2.16a, số neuron lớp vào phụ thuộc vào không gian liệu vào, lớp lớp ẩn xác lập tự động trình huấn luyện mạng - Giá trị liên thuộc mẫu vào xi , i  P vào tập mờ nhản k, k  M (được xây dựng sở pHBr( k ) , r  Rk ) tính: (2.59) đó, [  ,  ,  ] gọi vector tham số định hướng 2/ Thuật toán cắt siêu hộp lai, CSHL Thuật toán CSHL [9] thực cắt trục thứ k cho:  k d k  max( j d j ), j  n (2.62) Ưu điểm thủ tục [9] thể tính ưu tiên, mức độ ưu tiên bị quyền tham gia vào trình lựa chọn trục cắt giải pháp cắt – thông qua giá trị hàm định hướng  j Gọi box_number số siêu hộp lai tập hợp tất siêu hộp lai có Q trình cắt bắt đầu với box_number=1, nghĩa toàn mẫu nhãn tập mẫu T thuộc hHB xuất phát Bước Nếu box _ number  : Qua bước 4; Nếu box _ number  : Xác định siêu hộp lai hHB có số thứ tự box_number tất hHB Ký hiệu siêu hộp lai hHBbox _ number  pHB( k ) ( xi )  r n [1  f ( xij  rj ,  )  f (vrj  xij ,  )] n j 1 (2.63) x  1; 1,  f ( x,  )   x ,  x  1; 0, x   (2.64) đó, pHBr( k ) , r  Rk siêu hộp chủng thứ r Rk siêu hộp chủng nhãn k; r  [r 1r rn ] , vr  [vr1vr vrn ] đỉnh cực trị pHBr( k ) ;  hệ số dốc, lấy   0.5 Bước Cắt hHBbox _ number thành HB1 , HB2 : Chọn trục k thỏa (2.62) Xác định điểm cắt Ck Cắt trục k Ck biên chế lại: mẫu xi  [ xi1 xi2 xin ] thuộc hHBbox _ number , xik  Ck xi  HB1 , xik  Ck xi  HB2 Bước Kiểm tra phân loại HB1 , HB2 : - Nếu HB1 HB2 có siêu hộp chủng: Lưu siêu hộp chủng qua tập pHB, lưu siêu hộp lai qua tập hHB Xóa hHBbox _ number , HB1 , HB2 ; Giữ nguyên box_number quay lại bước - Nếu HB1 HB2 hai siêu hộp chủng: Lưu qua tập pHB Xoá hHBbox _ number , HB1 , HB2 ; box _ number : box _ number  Quay lại bước - Nếu HB1 HB2 siêu hộp lai: Lưu hai qua tập hHB Xóa hHBbox _ number , HB1 , HB2 ; box _ number : box _ number  Quay lại bước Bước Kiểm tra tính phủ để liên kết pHB, xác lập pHBfusion lớn (a) Hình 2.16 Cấu trúc mạng Neuron-fuzzy (b) Cấu trúc mạng Neuron-fuzzy thuật toán HLM1 HLM (a), thuật toán HLM2 (b) - Giá trị liên thuộc mẫu xi vào tập mờ nhãn k tính:    B ( k ) ( xi )  max  pHB( k ) ( xi ),  pHB( k ) ( xi ), ,  pHB( k ) ( xi ) i r Rk (2.65) k  M , i  P, r  Rk - Dữ liệu mạng ứng với mẫu thứ i: M  ˆ yi  k 1 Bi ( k ) ( xi ) yki ( xi ) , M  k 1 Bi ( k ) (i  P) (2.66) ( xi ) n ( yki   a (jk ) xij  a0k ) j 1 (2.67) -8- -9- Gọi Mmin Mmax số luật mờ cực tiểu cực đại sử dụng cho khảo sát Giá trị khởi tạo: gán M=Mmin -1; Bước Phân lớp gán nhãn, xác lập tập mẫu nhãn T : M:=M+1 Gọi thuật toán Hyperplane Clustering Bước Xây dựng tập siêu hộp chủng pHB: gọi thuật toán CSHL Bước Xác định sai số theo chuẩn L2 ˆ - Tính giá trị liên thuộc theo (2.63) (2.64); tính yi theo (2.65), (2.66), (2.67); - Tính sai số bình phương trung bình E (net )  P ˆ  ( yi  yi ) P i 1 (2.68) Bước Kiểm tra điều kiện dừng Nếu M  M max , quay lại bước 1; M  M max , qua bước 5; Bước Chọn mạng tối ưu có sai số E (net )  [ E (net )] có M nhỏ 2.5.2.2.2 Thuật toán huấn luyện mạng neuro-fuzzy HLM2 Cấu trúc mạng HLM2 thể hình 2.16b Các lớp input output mạng hoàn toàn giống lớp tương ứng mạng HLM1 Sự khác hai mạng thể lớp ẩn Mạng thuật toán HLM2 sử dụng hàm Gauss với đường tâm độ rộng đặc tính Gauss định hai tham số i1 , i2 , i  M Như vậy, sử dụng M luật mờ ta có 2M tham số ij đóng vai trò trọng số W mạng Bộ trọng số tối ưu mạng, ký hiệu Wop, tính theo chuẩn L2 tập hợp ij cực tiểu hàm sai số: P ˆ  ( yi  yi )  P i 1 E (net )  n   pHB ( k ) ( xi )  e n ( k ) 2.5.2.2.3 Thuật toán HLM Đặc điểm HLM là: với tập liệu cho, HLM tự động xác lập cấu hình mạng neuro-fuzzy, bao gồm tự động xác định số lượng tập mờ, hàm liên thuộc số lượng neuron lớp ẩn phù hợp với độ xác yêu cầu; Cấu trúc mạng HLM hình 2.16a Gọi Mmin Mmax số luật mờ cực tiểu cực đại sử dụng cho khảo sát; M số luật mờ sử dụng để huấn luyện mạng Neuro-Fuzzy Giá trị khởi tạo: gán j=Mmin -1; Xác lập giá trị sai số cho phép [E] Bước Phân lớp gán nhãn, xác lập tập mẫu nhãn T : j:=j+1; M=j; Gọi thuật toán CBMM; Qua bước Bước Xây dựng mạng neuro-fuzzy ứng với số luật mờ j, N-F(j) - Xây dựng tập siêu hộp chủng pHB: gọi thuật toán CSHL; - Xây dựng mạng neuro-fuzzy theo cấu trúc hình 2.16a; Qua bước Bước Xác định sai số E(net)(j) theo chuẩn L2 mạng N-F(j) ˆ - Tính giá trị liên thuộc theo (2.63), (2.64); tính yi theo (2.65), (2.66), (2.67); - Tính: E (net ) ( j )  Wop xác định thuật toán huấn luyện ANN quen thuộc Trong nghiên cứu chúng tơi sử dụng thuật tốn TT* [1] Bộ trọng số Wop có tác dụng đảm bảo việc xác lập tập tập mờ tối ưu input có tập pHB kết thuật toán CSHL Giá trị liên thuộc mẫu vào xi , i  P vào tập mờ nhãn k, k  M , tính:   xij  2 k ( rj  v rj )     j 1  M:=M+1; Gọi thuật toán Hyperplanr Clustering Bước Xây dựng tập siêu hộp chủng pHB: gọi thuật toán CSHL; Bước Xác định tập mờ tối ưu input thông qua trọng số tối ưu Wop cách huấn luyện mạng 2.12b để cực tiểu hàm sai số (2.54), đó: Tính giá ˆ trị liên thuộc theo (2.63) (2.64); Tính yi theo (2.65), (2.66) (2.67); Bước Kiểm tra điều kiện dừng Nếu M  M max : quay lại bước 1; M  M max : qua bước Bước Chọn mạng tối ưu với trọng số tối ưu Wop có E  [ E ] M nhỏ (2.70) r đó, pHBr( k ) , r  Rk siêu hộp chủng thứ r Rk siêu hộp chủng nhãn k; r  [r 1r rn ] , vr  [vr1vr vrn ] đỉnh cực trị max-min pHBr( k ) Gọi Mmin Mmax số luật mờ cực tiểu cực đại sử dụng cho khảo sát Khởi tạo: gán M=Mmin -1; Bước Phân lớp gán nhãn, xác lập tập mẫu nhãn T : P ˆ  ( yi  yi ) P i 1 - Kiểm tra: j  M max , quay lại bước 1; j  M max , qua bước Bước Chọn mạng tốt nhất, N-F(g), có: E ( g )  min( E ( j ) ), j  M M max Qua bước Bước Kiểm tra điều kiện dừng: - Nếu E ( g )  [ E ] : kết thúc (Kết tổng hợp ANFIS mạng N-F(g)); - Nếu E ( g )  [ E ] : qua bước Bước Kiểm tra khả hội tụ tới [E] lời giải Xét số g (2.73): - Nếu g  M max : xác lập lại M : M max ; M max : M max  M max | M max  N ; j=Mmin-1; Quay lại bước - Nếu g  M : xác lập lại M max : M ; M : M  M | M  N ; j=Mmin-1; Quay lại bước - 10 - - Nếu M  g  M max : lời giải không hội tụ tới [E] Kết thúc Chương Chương trình bày ba thuật toán nhận dạng khuyết tật dầm (VTKTNL [3], VTKT-NF [4], KTKT-WL [6]); giới thiệu phương pháp xác định mức độ khuyết tật dựa vào hệ số wavelet trung bình, đề xuất thuật tốn dự báo thông số động theo chuỗi thời gian, thuật toán TSPA [5] xây dựng dựa hệ thống neuro-fuzzy Đây đóng góp khoa học luận án chương 3.1 CƠ SỞ LÝ THUYẾT 3.1.1 Phương pháp phân tích wavelet Khuyết tật làm thay đổi đáp ứng động lực hệ Mức độ đặc điểm lượng thay đổi phụ thuộc vào vị trí mức độ khuyết tật Các thay đổi nhỏ tín hiệu gốc khơng thấy đặc tính chúng làm xuất điểm kỳ dị (KD) đặc tính wavelet – dấu hiệu quan trọng khuyết tật Đặc biệt, nhận thấy hệ số wavelet trung bình (mục 3.2) biến thiên đồng biến với mức độ khuyết tật không nhạy với thay đổi chế độ kích thích dao động Điều mở hướng ứng dụng mới: nhận dạng dự báo khuyết tật cầu theo tải giao thông Trong số trường hợp, điểm KD tính không đồng khả chống biến dạng hệ vị trí so với khu vực khác, nghĩa đặc điểm cấu trúc hệ, khuyết tật Do để xác định khuyết tật ta cần so sánh tín hiệu wavelet thời điểm khảo sát với tín hiệu wavelet tương ứng thời điểm hệ xem khơng bị khuyết tật Vì vậy, phương pháp hiệu sử dụng ANN, FL, mơ hình kết hợp ANN FL để nhận dạng hệ thời điểm hệ nguyên vẹn Luận án ứng dụng wavelet theo hướng kết hợp với hệ thống suy diễn neuro-fuzzy 3.1.2 Ứng dụng phương pháp giải toán ngược 3.1.2.1 Ứng xử động lực học hệ Hai dạng toán liên quan tới đặc trưng ứng xử động lực học hệ: toán thuận toán ngược Lời giải tốn ngược ứng dụng hữu ích kỹ thuật, chẳng hạn, xác định ước lượng mức độ hư hỏng hệ dựa sóng dao động c 3.1.2.2 Hàm mục tiêu Gọi y (W ) tín hiệu hệ khảo sát, xác định theo toán thuận ứng với ma trận thông số hệ thống giả định W c ; gọi yim (W t ) tín hiệu đo trực tiếp hệ ứng với ma trận thông số hệ thống thực, W t , cần xác định Hàm mục tiêu toán ngược thường hàm sai số Er Nếu sử dụng chuẩn LMS hàm mục tiêu là: P Er (W c )   yic (W c )  yim (W t ) P i 1   c t P số mẫu tập liệu Vì W  W E r (W )  Vấn đề NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT c i - 11 c (3.3) đặt cho toán nhận dạng khuyết tật hệ phải xác định W c cho: Er (W c )  (3.4) c Nghiệm (3.4), W c  Woptimal , cung cấp thông tin cần thiết khuyết tật 3.1.2.3 Một số phương pháp giải (3.4) mơ hình tốn tốn tối ưu, tốn nhận dạng khuyết tật giải dựa vào thuật tốn tối ưu mơ hình phát triển từ thuật toán tối ưu, chẳng hạn ANN hệ neuro-fuzzy 3.2 MỘT SỐ THUẬT TOÁN VỀ NHẬN DẠNG KHUYẾT TẬT Mục trình bày ba thuật tốn tác giả xác định khuyết tật [3][4][6] 3.2.1 Sử dụng phân tích wavelet, thuật tốn KTKT-WL [6] 3.2.1.1 Một số khái niệm nhận xét liên quan - Hệ số wavelet trung bình địa phương Giá trị trung bình hệ số wavelet điểm cắt mẫu phần tử sử dụng giá trị hệ số scale a=ai gọi hệ số wavelet trung bình địa phương Hệ số wavelet trung bình địa Q (k ) (k ) phương phần tử thứ k, Wa , tính: Wai  Wf k (ai , b j ) (3.31) i Q j 1  Q số điểm cắt mẫu - Hệ số wavelet trung bình Gọi Nw độ dài vector scale a sử dụng phép phân tích Hệ số wavelet trung bình phần tử thứ k, ký hiệu W (k ) : Nw Q W (k )  Wf k ( , b j ) (3.32) N wQ i 1 j 1  Nếu gọi T số lần khảo sát hệ số wavelet trung bình phần tử thứ k, ký W (k )  hiệu W (k ) , là: H Nw Q h    Wf k (ai , b j ) TN w Q h1 i 1 j 1 (3.33)  Nhận xét: Từ (3.32) (3.33) ta thấy có W ( p )  max W ( k )   k 1 N  W ( q )  max W ( k )   p q điểm KD, sử k 1 N dụng để xác định vị trí khuyết tật hệ Để tiện khảo sát, sử dụng hệ số Z (.) , gọi hệ số wavelet chuẩn hóa phần tử (.) sau: Z (k)  Wa(k) i   max Wa(j)  i j 1 N (3.37) - 12 - - 13 z 0i (k) Z (k)  W max W (j)  (3.38)   f ji  j 1 N 3.2.1.2 Thuật toán KTKT-WL Chia dầm thành N phần tử Ở trạng thái hệ xem chưa bị hư: Bước Biến đổi wavelet Wf(a,b) tín hiệu dao động f(t): Đo tín hiệu dao động f(t) dầm; Chọn khoảng khảo sát scale a biến đổi wavelet Wf(a,b) tín hiệu f(t) khơng gian (a, b) cho tất phần tử; Bước Xác định đường cực đại cho phần tử: Dựa vào wavelet Wf(a,b) để xác định điểm cực đại từ xác định đường cực đại cho phần tử; Bước Xác định vector hệ số scale a tối ưu cho tất phần tử, N w : Gọi Ak vector scale a đường cực đại phần tử thứ k, k=1…N Các Ak có chiều dài Vector N w tính: Nw   N k 1 Ak (3.39) Bước Tính hệ số wavelet trung bình W (k ) : Dựa vào N w , tính W (k ) cho phần tử theo (3.33) Ở thời điểm kiểm tra: Bước Nhận dạng khuyết tật - Sử dụng lại Vector N w (3.39) cầu chưa hư, thực Bước - Tính: W ( k )  d W ( k )  W ( k ) , với “d” thể W ( k ) thời điểm kiểm tra W ( q )  max (W ( k ) ) - Xác định phần tử thứ q có (3.40)  k 1 N Đây phần tử có mức độ suy giảm độ cứng chống biến dạng lớn 3.2.2 Phương pháp lượng, thuật toán VTKT-NL [3] Dầm chia thành nhiều phần tử Cho hệ dao động trạng thái dao động (TTDĐ) khác Xác định biên độ chuyển vị nút Y j , j  n , phần tử thời điểm khác trước sau có khuyết tật để tính hệ số hư hỏng phần tử Tình trạng hệ xác định dựa vào tập hệ số Hệ số hư hỏng phần tử thứ i TTDĐ thứ j tính: NM NM d Di   f ji j 1 f (3.41) ji '' j ( z )]2 dz z 0i (3.43) L  E (z 0 '' j ) J x ( z )[Y ( z )] dz 0 d f ji tính theo (3.43) Ở đây, E ( z ) môđyn đàn hồi vật liệu tọa độ z0; Jx(z0) mô men quán tính trung tâm tiết diện ngang dầm tọa độ z0 Tích phân cận z i1 , z i ứng với phần tử thứ i có độ dài ( z i  z i1 ) Tích phân cận 0, L ứng với toàn chiều dài dầm Bước Xác định biên độ chuyển vị nút: Xác định biên độ chuyển vị nút Y j , j  n , nút phần tử thời điểm khác hai giai đoạn, giai đoạn hệ chưa hư thời điểm kiểm tra; d Bước Tính fji f ji theo (3.43); Bước Tính hệ số hư hỏng phần tử theo (3.42); Bước Xác định vị trí suy giảm độ cứng chống biến dạng: Là phần tử có hệ số hư hỏng trung bình lớn 3.2.3 Ứng dụng hệ thống suy diễn neuro-fuzzy, thuật toán VTKT-NF [4] Độ xác hệ thống suy diễn neuro-fuzzy phụ thuộc nhiều vào quy mô tập liệu Trên hệ thống giám sát thường xuyên “sức khỏe” cầu (hệ thống ND-DBTX) yêu cầu dễ dàng thực hiện, hệ thống suy diễn neuro-fuzzy phát huy tính ưu việt Tín hiệu hệ thống neuro-fuzzy ứng dụng hệ số wavelet trung bình W (k ) (3.33), hệ số hư hỏng Di (3.41), hệ số hư hỏng trung bình Di (3.42), hệ số biến dạng đàn hồi z ji (3.45), hệ số hư hỏng tương đối z j (3.47) Trong mục sử dụng hệ số z ji 3.2.3.1 Một số khái niệm liên quan Chia hệ thành N phần tử kích thích cho hệ dao động để xác định biên độ chuyển vị nút Y j , j  N , nút phần Dựa vào [3] [67] suy tình trạng khuyết tật phần tử thứ j TTDĐ thứ i thông qua hệ số z ji , gọi hệ số biến dạng đàn hồi: j 1 Hệ số hư hỏng trung bình tính:  NE  NM d NM  Di  f ji f ji  (3.42)  NE k 1  j 1 j 1   số d biểu thị cấu trúc có khuyết tật, khơng có số d thể cấu trúc khơng có khuyết tật, NE số lần lấy mẫu, NM số mode khảo sát, và:   [Y  z ji  b j '' a j [Y j ( X )] dX (3.45) - Ở trạng thái khơng hư cầu: Kích thích cho dầm dao động, đo biên độ dao động tất phần tử TTDĐ để xây dựng tập mẫu sở T gồm N tập mẫu phần tử Tập mẫu thứ j, ứng với phần tử thứ j, có P cặp mẫu input- - 14 - - 15 - output, ( xi , z ji ), i  P Trong xi  [ xi1 xi2 xin ] vector đặc trưng cho chế độ kích thích dao động thứ i, z ji tính theo (3.45) Xây dựng N mạng neurofuzzy nhận dạng quan hệ ( xi , z ji ) cầu chưa hư cho tất phần tử dựa T Mạng neuro-fuzzy nhận dạng phần tử thứ j, ký hiệu ENFj, có cấu trúc hình 2.16b Mạng neuro-fuzzy nhận dạng hệ trạng thái không hư, gọi tắt mạng GNFcs, kết hợp N mạng ENFj (j=1…N) hình 3.2 - Tại thời điểm kiểm tra: Thực nhiều chế độ kích thích dao động ngẫu nhiên để tạo TTDĐtest khác Ứng với TTDĐ TTDĐtest, đo biên độ dao động hệ sử dụng (3.45) để xây dựng tập liệu Ttest gồm N tập mẫu phần tử Tập mẫu phần tử thứ j, có Ptest cặp mẫu ( xi , z ji ), i  Ptest Trên phần tử thứ j: sử dụng tín hiệu vào Ttest cho mạng ˆ ENFj xác định Ptest giá trị z ji trạng thái không hư phần tử giảm độ cứng chống biến dạng phần tử so với phần tử khác hệ TTDĐ Phần tử có độ lớn z j lớn mức độ suy giảm độ cứng chống biến dạng phần tử lớn: vị trí xuất khuyết tật hệ 3.2.3.2 Thuật toán KTKT-NF Sơ đồ khối thuật tốn trình bày hình 3.3 Chia dầm thành N phần tử Bước Nhận dạng hệ trạng thái không hư hỏng Ở trạng thái không hư hỏng dầm: - Đo biên độ dao động cầu nhiều TTDĐ khác nhau; tính z ji (3.45); - Xây dựng mạng ENFi, i=1…N, nhận dạng phần tử xây dựng mạng GNFcs nhận dạng tất phần tử dầm trạng thái không hư hỏng Bước Kiểm tra tình trạng suy giảm độ cứng chống biến dạng (h 3.3) Tại thời điểm kiểm tra: - Đo biên độ dao động dầm nhiều TTDĐ khác nhau; tính z ji (3.45); ˆ - Xác định z ji dựa vào ENFi GNFcs xác lập Bước 1; - Tính hệ số hư hỏng tương đối z j phần tử dựa vào (3.46) (3.47) Bước Xác định vị trí hư hỏng dầm: Phần tử có z j lớn so với phần tử cịn lại phần tử có mức độ suy giảm độ cứng chống biến dạng lớn 3.3 XÁC ĐỊNH MỨC ĐỘ KHUYẾT TẬT VÀ DỰ BÁO Hình 3.3 Định vị trí khuyết tật dựa vào GNFcs Ne số phần tử chia; Ptest số TTDĐ Hình 3.2 Cấu trúc mạng Neuro-Fuzzy GNF Hệ số hư hỏng tương đối Trong Ptest trạng thái dao động xi thuộc tập ˆ Ttest , xác định độ lớn giá trị sai lệch tuyệt đối z ji z ji ứng với 3.3.1 Xác định mức độ hư hỏng Mối liên hệ độ biến thiên mức độ khuyết tật độ biến thiên hệ số wavelet trung bình (3.33): H Nw Q h W (k )  Wf k (ai , b j ) HN w Q h 1 i 1 j 1  quan hệ đồng biến Do sử dụng hệ số wavelet trung bình xác định mức độ khuyết tật hệ [6] 3.3.2 Dự báo khuyết tật TTDĐ, sau tính: z j  Ptest Ptest ˆ   z ji  z ji  i 1  Ptest Ptest    ji  Thời điểm i 1 Hệ số hư hỏng tương đối tính sau: z j  Thời điểm dự báo (3.46) z j max  zk  (3.47) k 1 N e Ne=N số phần tử hệ Hệ số hư hỏng tương đối phản ánh mức độ thay đổi biến dạng đàn hồi phần tử thời điểm kiểm tra so với thời điểm phần tử khơng bị hư hỏng, đồng thời cịn thể tình trạng suy  t0-1 t0 Chuỗi liệu thu thập thực tế ut0 i t  k0 t ˆ Chuỗi liệu dự báo yt0  k t Hình 3.4 Mơ tả chuỗi liệu theo thời gian - 16 - 3.3.2.1 Giới thiệu Dự báo thông số động, gọi tắt dự báo, toán dựa vào số liệu khứ một nhóm đại lượng để dự đoán giá trị đại lượng tương ứng, đại lượng khác, tương lai (hình 3.4) Luận án ứng dụng hệ thống suy diễn neuro-fuzzy thích nghi [9] để xây dựng thuật tốn dự báo thông số động theo chuỗi thời gian, thuật toán TSPA 3.3.2.2 Thuật toán liên quan HLM [2], HLM1, HLM2 [9] dùng để xây dựng thuật toán dự báo 3.3.2.3 Thuật toán dự báo TSPA 3.3.2.3.1 Xây dựng tập liệu huấn luyện mạng Việc xây dựng tập liệu thực theo hai bước: thu thập liệu tổ chức tập liệu 3.3.2.3.1.1 Thu thập xữ lý liệu Tùy theo đại lượng cần dự báo cấu trúc hệ mà giai đoạn có nét khác Ví dụ, đại lượng dự báo biên độ dao động ta thực hiện: kích thích cho hệ dao động nhiều TTDĐ khác nhau, thực việc đo biên độ dao động nút khảo sát thời điểm rời rạc, cách đều, ứng với TTDĐ, tiến hành lọc nhiễu 3.3.2.3.1.2 Tổ chức tập liệu Có thể tổ chức tập liệu input-output theo nhiều phương pháp khác nhau, trình bày hai phương pháp: phương pháp rải liên tục phương pháp rải có bước nhảy Cả hai phương pháp cho tập liệu có cấu trúc giống hình 3.5 Trong đó, P số mẫu liệu; n số phần tử khơng gian vào ứng với mẫu, hay cịn gọi số chiều không gian liệu vào,  n Sự khác hai phương pháp liên quan tới toi : - Nếu t0i  t0(i 1)  t , i  P : phương pháp rải liên tục; - Nếu t0i  t0( i 1)  k t , k  N \ {0;1}, i  P : phương pháp rải có bước nhảy (k) INPUT u1 u2      un  u (t  nt ) , u (t  ( n  1) t ), , u (t  t ) 01 01  01  P  u (t  nt ), u (t  (n  1) t ), , u (t  t ) 0P P 0P     n   OUTPUT ˆ y (t01 )  u (t01 )  ˆ ( t0 P )  u ( t0 P ) y Hình 3.5 Cấu trúc tập liệu input-output mạng neuro-fuzzy 3.3.2.3.2 Đánh giá tính xác kết dự báo Sử dụng tập liệu kiểm tra T test có Q mẫu liệu cho mạng neuro-fuzzy (NF) ˆ huấn luyện để xác định giá trị dự báo yi , i  Q tương ứng với - 17 test tín hiệu khảo sát yi , i  Q T Có thể sử dụng tiêu sai số bình phương trung bình (Mean-Squared Error, MSE) để đánh giá độ xác dự báo: i Q ˆ   yi  yi  ; Q i 3.3.2.3.3 Thuật toán dự báo TSPA Xét tham số thứ h tham số cần dự báo giá trị thời điểm tương lai: - Chọn bước thời gian t , số chiều không gian tín hiệu vào n số lượng tập mẫu P - Tính số bước lặp cần thực k0 (hình 3.5); - Khởi tạo j=1; Bước Thu thập xử lý liệu MSE  trn Bước Tổ chức tập liệu Xây dựng tập huấn luyện mạng Th có P phần tử; xây dựng tập kiểm tra T test có Q phần tử Bước Xác định giá trị đại lượng dự báo Thực hiện: B3.1 Huấn luyện xác định tín hiệu mạng NFh: trn + Sử dụng Th , gọi thuật tốn HLM1; ˆ( + Xác định tín hiệu y t0  j t ) mạng NFh bước thứ j trn B3.2 Tổ chức lại tập Th : trn ˆ( + Xác lập mẫu liệu cho Th cho un  y t0  j t )  INPUT (hình 3.5); P= P+j; j=j+1; + Nếu j  k0 : quay lại B3.1; j  k0 : qua Bước Bước Đánh giá độ xác kết dự báo - Nếu độ xác thấp: thực kết hợp giải pháp sau: + Tăng độ mịn bước thời gian, nghĩa giảm t ; + Tăng số mẫu liệu huấn luyện mạng P; + Tăng không gian liệu vào, nghĩa tăng n, sau quay lại Bước Bước - Nếu độ xác phù hợp: kết thúc 3.3.2.4 Ứng dụng TSPA dự báo khả tải cầu 3.3.2.4.1 Tổ chức đo số liệu Khả tải hệ phân chia thành hai nhóm chính: dự trữ khả tải trọng tĩnh khả đáp ứng tải trọng động Việc kiểm tra đánh giá khả tải trọng động cầu thực cách sử dụng tải trọng động kích thích cho hệ dao động sau đo thơng số dao động đánh giá khả tải cầu dựa vào tập số liệu dao động Có hai nhóm tải trọng động thường sử dụng giai đoạn này, tải trọng động cưỡng tải trọng giao thông Tải trọng giao thông tải trọng tự nhiên người phương tiện giao thông lưu thông qua cầu tạo nên - 18 - Đây dạng tải trọng sử dụng hệ thống giám sát thường xuyên tình trạng làm việc cầu, hệ thống ND-DBTX - 19 - trung bình Di (3.42), hệ số biến dạng đàn hồi z ji (3.45), hệ số hư tần để thay đổi tốc độ quay n động Khối lượng M, độ lệch tâm d, tốc độ quay n, tọa độ lắp đặt động z đại lượng điều chỉnh để thay đổi trạng thái dao động (TTDĐ) khung Sử dụng đo dao động đo độ võng dầm z thời điểm t ứng với TTDĐ Khi khung chưa bị hư Bằng cách thay đổi vị trí Đ khung, thay đổi độ lệch tâm Md thay đổi vận tốc góc  Đ để tạo lập tập số liệu sử dụng huấn luyện ENFi [4] nhận dạng phần tử chưa bị hư Cắt khung, tạo vị trí hư khung Cắt khung làm tương tự để tạo tập mẫu liệu input-output trường hợp khung có khuyết tật Tiến hành kiểm chứng hiệu VTKT-NF [4] KTKT-WL [6] Tạo khuyết tật tải trọng động Cắt khung số vị trí Thay đổi tốc độ góc Đ cho Đ quay liên tục 500 phút Trong trình mức độ hư hỏng dầm tăng dần Đo chuyển vị biên độ dao động để xác lập tập sau khoảng thời gian cách đều, ứng với tần số dao động khác Sử dụng TSPA để dự báo chuyển vị hỏng tương đối z j (3.47) tính cho phần tử, sử dụng để dự báo diện khuyết tật dự báo vị trí xuất khuyết tật Sử dụng TSPA cho tín hiệu nhận kết dự báo khả tải trọng tĩnh tải trọng động cầu Đây thông tin quan trọng quản trị cầu nhằm khai thác hệ cách chủ động, hiệu an tồn Các kết thí nghiệm kiểm chứng dự báo dựa ứng dụng thuật toán TSPA cho phần tử dầm dao động trình bày chương 4.2.2.2 Mơ tả Thí nghiệm Kết cấu khung thí nghiệm giống trình bày Thí nghiệm Sự khác hai thí nghiệm thể phương pháp tạo dao động hệ hệ thống cảm biến đo dao động Ở sử dụng xe có khối lượng m chuyển động khung với vận tốc V Sử dụng cảm biến chuyển vị, cảm biến đo biến dạng, cảm biến gia tốc gắn vị trí xác định khung Thay đổi m, V để thay đổi TTDĐ Sử dụng số liệu đo chuyển vị, biến dạng gia tốc (tại vị trí hư với mức độ hư khác nhau) cho KTKT-WL [6] Chương THÍ NGHIỆM KIỂM CHỨNG 4.2.3 Số liệu đo dao động cầu Sài Gòn Các tập số liệu ứng suất cầu Sài Gòn cầu dao động tác động tải giao thông truyền thường xun Phịng Thí nghiệm Cơ học Ứng dụng (PTN CHUD) trường Đại học Bách khoa HCM qua đường truyền Internet 3.3.2.4.2 Sử dụng TSPA Tín hiệu sử dụng dự báo phân thành hai nhóm tương ứng với hai tiêu đánh giá khả tải: dự trữ khả tải trọng tĩnh khả đáp ứng tải trọng động cầu Các tín hiệu sử dụng nhóm thứ độ võng dầm cầu độ lún trụ cầu Đối với nhóm thứ hai, có nhiều tín hiệu sử dụng liên quan tới phương pháp khảo sát Chẳng hạn, sử dụng phương pháp phân tích wavelet khảo sát tín hiệu dự báo hệ số wavelet trung bình Wk (3.33) dùng để dự báo diện khuyết tật dự báo vị trí xuất khuyết tật, số mũ Lipschitz  dùng để dự báo mức độ hư hỏng hệ vị trí này; sử dụng phương pháp biến dạng đàn hồi tín hiệu dự báo hệ số hư hỏng Di (3.41), hệ số hư hỏng 4.1 GIỚI THIỆU Chương thực thí nghiệm kiểm chứng, đánh giá độ xác, mức độ tin cậy phạm vi ứng dụng thuật toán đề xuất chương chương Số liệu sử dụng thí nghiệm kiểm chứng nhận từ ba nguồn khác nhau: Sử dụng ANSYS mơ hình tốn; đo đạc khung kim loại dạng dầm dao động cưỡng bức, thực Phịng thí nghiệm Cơ học ứng dụng ĐHBK ĐHQG TpHCM; Số liệu đo chuyển vị cầu Sài Gịn cầu dao động theo tải giao thơng 4.2 XÂY DỰNG CÁC TẬP SỐ LIỆU THÍ NGHIỆM 4.3 XÂY DỰNG CÁC BÀI KIỂM CHỨNG 4.3.1 Phương pháp Thông qua thuật toán nêu nguồn liệu xây dựng mục 4.2, tác giả viết chương trình ứng dụng ngơn ngữ Matlab để đánh giá hiệu thuật toán cách kiểm chứng đáp ứng giải pháp so sánh với kết số thuật tốn cơng bố thời gian gần 4.2.1 Mơ hình tốn Sử dụng mơ hình tốn dầm cầu bị uốn ngang phẳng Dầm chia thành n=20 phần tử Tạo khuyết tật riêng lẻ đồng thời hệ Cho hệ dao động sử dụng chương trình ANSYS để tính tốn chuyển vị hệ nút 4.3.1 Một số kết luận Được trình bày Chương 4.2.2 Mơ hình thực 4.2.2.1 Mơ tả thí nghiệm Động điện xoay chiều ba pha Đ mang khối lượng lệch tâm M gá lắp nhiều vị trí khác khung sắt Dùng biến - Phát triển số thuật toán huấn luyện mạng neuron tổng hợp hệ thống suy diễn neuro-fuzzy, làm cơng cụ tốn học cho tốn ứng dụng Chương KẾT LUẬN 5.1 NHỮNG NỘI DUNG CHÍNH CỦA LUẬN ÁN - 20 - - Xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ - Nghiên cứu lý thuyết nhận dạng dự báo khuyết tật, xây dựng thuật toán nhận dạng dự báo khuyết tật dầm cơng cụ tốn học nêu trên; - Đánh giá phạm vi ứng dụng phân tích khả ứng dụng hệ thống cầu thực thuật toán nhận dạng dự báo khuyết tật nêu 5.2 ĐÓNG GÓP KHOA HỌC CỦA LUẬN ÁN 5.2.1 Lý thuyết Luận án thực nội dung sau: 1/ Xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ, đại lượng: hệ số wavelet trung bình W (k ) (3.33), hệ số hư hỏng Di (3.41), hệ số hư hỏng trung bình Di (3.42), hệ số biến dạng đàn hồi z ji (3.45), hệ số hư hỏng tương đối z j (3.47) Các đại lượng nêu có đặc điểm: nhạy tín hiệu dao động gốc có thay đổi cấu trúc thay đổi tính vật liệu hệ Trong đó, hệ số W (k ) xác lập từ tín hiệu gia tốc biến dạng hệ dao động, đại lượng tổ chức đo dễ dàng hệ thống cầu thực với độ xác phù hợp Đặc biệt W (k ) không nhạy với chế độ kích thích, biến thiên đồng biến với mức độ khuyết tật Chính vậy, hệ số wavelet trung bình W (k ) sử dụng nhận dạng dự báo khuyết tật hệ thống cầu thực theo tải giao thông 2/ Đối với toán nhận dạng khuyết tật, luận án trình bày số sở lý thuyết kiểm tra khuyết tật dầm: phương pháp dựa biến dạng đàn hồi dầm chịu uốn, phương pháp định lượng trung bình hệ số wavelet, phương pháp ứng dụng kỹ thuật mạng neuron nhân tạo ANN, phương pháp ứng dụng hệ thống suy diễn neuro-fuzzy thích nghi Theo chúng tơi đề xuất ba thuật tốn mới, thuật toán VTKT-NL [3], VTKT-NF [4], KTKT-WL [6] Đồng thời thực phân tích, đánh giá ưu điểm, hạn chế, phạm vi ứng dụng, đặc biệt đánh giá khả ứng dụng hệ thống cầu thực thuật toán: - VTKT-NL xây dựng dựa biến dạng đàn hồi dầm chịu uốn Kết nhiều thí nghiệm cho thấy hiệu phương pháp đề xuất tốt, tập số liệu đo có sai số Tuy nhiên, đại lượng vật lý sử dụng phương pháp chuyển vị, tính tốn dễ dàng mơ hình số, đo dễ dàng khảo sát mơ hình thí nghiệm phịng thí nghiệm lại khó đo, với độ xác cần thiết, hệ thống cầu thực Ngoài ra, hạn chế phương pháp cịn khơng tương thích với tải giao thơng Do thuật tốn VTKT-NL phù hợp khảo sát mơ hình - Thuật tốn KTKT-WL xây dựng dựa phân tích wavelet tín hiệu dao động hệ Ưu điểm thuật tốn độ xác tốt sử dụng tín hiệu dao động gốc Đặc biệt, hệ số wavelet trung bình W (k ) sử dụng - 21 - KTKT-WL không nhạy với thay đổi chế độ kích thích dao động Đặc điểm quan trọng, liên quan tới khả ứng dụng thuật toán KTKT-WL hệ thống cầu thực, sử dụng tải giao thơng làm chế độ kích thích dao động Tuy nhiên thực tế, thơng số hình học tính chất học vật liệu mặt cắt ngang khác thường khác nhau, nghĩa độ cứng chống biến dạng không đồng mặt cắt dầm Đặc biệt dầm cầu thực, tính khơng đồng phần tính tốn người thiết kế: thay đổi tiết diện ngang nhằm tạo ứng suất đồng tất mặt cắt dọc theo chiều dài dầm cầu Do sử dụng KTKT-WL cho tín hiệu dao động hệ thời điểm kiểm tra để tìm điểm kỳ dị (KD) dễ đưa kết luận khơng xác trường hợp điểm KD chưa điểm khuyết tật Để khắc phục tình trạng ta cần phải so sánh đặc trưng ứng xử động lực học hệ thời điểm kiểm tra với đặc trưng ứng xử động lực học tương ứng hệ chế độ kích thích dao động thời điểm mà hệ xem nguyên vẹn Chức thực tốt dựa vào khả nhận dạng đáp ứng động lực học hệ hệ thống suy diễn neurofuzzy Chính mà cần kết hợp thuật toán KTKT-WL với thuật toán VTKTNF nhằm gia tăng hiệu toán nhận dạng khuyết tật - Khi hệ có khuyết tật đáp ứng động lực học thay đổi theo Sự thay đổi đặc trưng ứng xử động lực học hệ thời điểm kiểm tra so với thời điểm hệ xem không bị hư hệ thống suy diễn neuro-fuzzy nhận diện Đây giải pháp xác định khuyết tật dầm trình bày VTKT-NF Những đặc điểm VTKT-NF:  Tương thích với nhiều loại tín hiệu khác nhau: Tín hiệu sử dụng cho thuật tốn VTKT-NF tín hiệu dao động biến dạng, chuyển vị, biên độ dao động, tần số dao động…, tín hiệu đại lượng chuyển đổi biến dạng đàn hồi, hệ số wavelet trung bình… hiệu thuật tốn cải thiện tốt kết hợp thuật toán với cơng cụ phân tích xử lý tín hiệu sử dụng tín hiệu có độ nhạy tốt Ở góc độ cho thấy hệ thống nhận dạng dự báo khuyết tật xây dựng sở ứng dụng VTKT-NF [4] hệ thống mở dễ dàng cải tiến để hồn thiện hơn; Đối với cầu giao thông, đánh giá thường xun tình trạng làm việc cầu khơng làm ảnh hưởng tới việc lưu thông qua cầu diễn liên tục ngày? Sử dụng tải giao thông giải pháp hợp lý Theo giải pháp này, tín hiệu sử dụng cho thuật tốn VTKT-NF hệ số wavelet trung bình W (k ) (3.33)  Phù hợp với hệ thống tự động theo dõi sức khỏe cầu (ND-DBTX): Thuật toán VTKT-NF xây dựng dựa vào hệ thống suy diễn neuro-fuzzy Độ xác hệ thống suy diễn neuro-fuzzy lại phụ thuộc nhiều vào quy mô tập liệu Tập liệu phải bao quát hết không gian trạng thái đối tượng khảo sát Điều làm hạn chế phạm vi ứng dụng phương pháp neuro-fuzzy kiểm tra định kỳ không định kỳ khả tải hệ thống cầu giao thông việc ứng dụng cơng cụ địi hỏi phải đo nhiều vị trí khác - 22 - nhiều thời điểm khác Tuy nhiên, hệ thống giám sát thường xuyên “sức khỏe” cầu khó khăn nêu dễ dàng khắc phục Chẳng hạn hệ thống ND-DBTX lắp đặt cầu Binzhou Yellow River Highway hình 1.3, hệ thống cảm biến hệ thống xử lý, truyền dẫn lưu trữ liệu lắp đặt trước nhằm tạo điều kiện để đo thường xuyên tín hiệu dao động cầu nhiều điểm đo rải khắp toàn hệ dầm nhịp cầu, trụ cầu, mặt sàn bê tông hệ dây văng… Đây điều kiện quan trọng cho phép sử dụng phát huy tính ưu việt hệ thống suy diễn neuro-fuzzy thích nghi nhận dạng dự báo thay đổi đặc trưng ứng xử động lực học hệ thơng qua tín hiệu dao động Như vậy, thấy thuật tốn VTKT-NF phù hợp với hệ thống ND-DBTX, tín hiệu sử dụng cho hệ thống hệ số wavelet trung bình W (k ) xác lập dựa vào tín hiệu dao động cầu người phương tiện giao thông tạo qua cầu 3/ Đối với công tác dự báo mức độ suy giảm khả tải hệ, luận án đề xuất thuật tốn dự báo thơng số động theo chuỗi thời gian, thuật toán TSPA [5], xây dựng dựa ứng dụng hệ thống suy diễn neuro-fuzzy thích nghi [2, 9] Hệ số wavelet trung bình W (k ) khơng nhạy với thay đổi chế độ kích thích dao động, biến thiên đồng biến với mức độ khuyết tật, ứng dụng để xây dựng tập liệu cho thuật toán dự báo TSPA hệ thống NDDBTX Thuật tốn sử dụng công tác dự báo thông số phi tuyến, nhiều ràng buộc cho độ xác động Nghĩa quy mơ, cách tổ chức độ xác tập liệu định độ xác dự báo TSPA ứng dụng cho tốn dự báo trực tuyến khơng trực tuyến Để gia tăng độ xác dự báo khơng trực tuyến ta cần tăng số mẫu huấn luyện mạng neurofuzzy, P, tăng số chiều n không gian liệu vào tăng độ mịn bước thời gian Trong toán dự báo trực tuyến ta cần tác động theo chiều hướng ngược 4/ Các thuật toán nhận dạng dự báo khuyết tật cầu VTKT-NL, VTKT-NF, KTKT-WL TSPA xây dựng dựa kỹ thuật mạng neuron nhân tạo (ANN), logic mờ (Fuzzy Logic) phép phân tích wavelet – sở tốn học nhiều nhà nghiên cứu ứng dụng thời gian gần Trong luận án, để gia tăng hiệu thuật toán nhận dạng dự báo khuyết tật nêu trên, sâu nghiên cứu phát triển cơng cụ tốn học sử dụng cho chúng Do đó, song song với việc giới thiệu thuật toán nhận dạng dự báo khuyết tật nêu trên, chúng tơi cịn nghiên cứu xây dựng số thuật tốn liên quan tới cơng cụ tốn học để xây dựng thuật tốn ứng dụng này, TT* [1], CBMM, HLM [2], CSHL, HLM1, HLM2 [9]: - Thuật toán huấn luyện mạng neuron nhân tạo, thuật toán TT* , xây dựng dựa phương pháp Conjugate Gradient (CG) Tốc độ hội tụ tính ổn định huấn luyện mạng ưu điểm TT* so với thuật toán CG chuẩn Hiệu thuật toán thể rõ vector trọng số W mạng lớn - 23 - - Độ xác nhận dạng mờ nói riêng tốn ứng dụng hệ mờ nói chung phụ thuộc nhiều vào cấu trúc tập mờ không gian vào không gian Cần tập mờ, biên dạng hàm liên thuộc vị trí tương đối tập mờ khơng gian vào, không gian mối liên hệ tập mờ không gian vào để phản ánh tốt quan hệ liệu tập mẫu? Trong nghiên cứu này, chúng tơi xây dựng thuật tốn CBMM CSHL để giải vấn đề nêu CBMM CSHL có chức tự động phân chia khơng gian liệu, xây dựng bó mờ dạng siêu hộp, xác lập tập mờ hàm liên thuộc cho hệ thống suy diễn mờ Đối với thuật toán CBMM, việc chia bó liệu min-max thực mối liên hệ qua lại không gian vào khơng gian nhằm mục đích xác lập mối ràng buộc chặt chẽ tập mờ hai không gian vào-ra, phản ánh tốt quan hệ liệu tập mẫu Trong thuật toán CSHL, hàm chủng  j hàm định hướng  j đề xuất nhằm mục đích thực việc chọn lựa giải pháp cắt tạo bó liệu có độ chủng cao hơn, làm gia tăng độ xác rút ngắn thời gian xây dựng tập mờ hệ mờ Kết hợp ANN FL nhận mơ hình tích hợp, mang ưu điểm mạng ANN ưu điểm FL Hệ thống suy diễn neuro-fuzzy mơ hình kết hợp, mạng ANN sử dụng cơng cụ tốn cho suy diễn mờ fuzzy Mơ hình đem khả học, nhớ tính tốn ANN vào hệ mờ khả suy diễn theo kiểu người hệ mờ vào ANN Kết độ xác độ ổn định hệ thống neuro-fuzzy gia tăng đáng kể so với giải pháp ANN NF Trên sở ứng dụng thuật toán CBMM, CSHL TT*, luận án xây dựng ba thuật toán tổng hợp hệ thống neuro-fuzzy HLM1, HLM2 HLM Đây công cụ tốt cho toán nhận dạng dự báo khuyết tật Các thuật tốn HLM1, HLM2 HLM ứng dụng phù hợp toán nhận dạng theo mơ hình hộp đen tốn dự báo theo chuỗi thời gian, trực tuyến không trực tuyến hệ phi tuyến Trong ba thuật toán này, độ xác đáp ứng HLM2 cao HLM1 HLM, nhiên hạn chế HLM2 thời gian huấn luyện mạng yêu cầu dung lượng nhớ máy tính cao nhiều so với sử dụng HLM1 HLM số thuật toán cơng bố So với HLM1 thuật tốn HLM có độ xác tốt hơn, nhiên HLM có tốc độ hội tụ thấp Các đặc điểm nêu liên quan tới phạm vi ứng dụng thuật toán Trong nhận dạng dự báo khuyết tật cầu, thuật toán HLM1 phù hợp với toán trực tuyến (online) Chẳng hạn ứng dụng HLM1 hệ thống nhận dạng dự báo thừơng xuyên để xác định nhanh xuất khuyết tật dự báo nhanh quy luật suy giảm khả tải hệ Các thuật tốn HLM HLM2 – có độ xác tốt tốc độ hội tụ thấp hơn, phù hợp với tốn khơng trực tuyến (offline) – ứng dụng để định vị dự báo cách xác thông tin liên quan tới khuyết tật, sau biết tồn khuyết tật cung cấp - 24 - HLM1 hệ trực tuyến nêu Có thể thấy khơng có thuật tốn có ưu điểm tuyệt đối, đó, tùy yêu cầu cụ thể mà ta chọn thuật toán phù hợp 5.2.2 Thực nghiệm Về thực nghiệm, luận án thực nội dung sau: 1/ Viết chương trình ứng dụng Matlab dựa vào thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM, VTKT-NL, VTKT-NF, KTKT-WL, TSPA; 2/ Kiểm chứng đánh giá thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM tập số liệu khác nhau; 3/ Kiểm chứng đánh giá thuật toán nhận dạng khuyết tật mơ hình số dầm dao động xây dựng chương trình tính tốn học ANSYS; 4/ Kiểm chứng đánh giá thuật toán nhận dạng dự báo khuyết tật dầm mô hình thực nghiệm phịng thí nghiệm, khung kim loại dạng dầm dao động cưỡng với ba loại cảm biến khác nhau: chuyển vị, gia tốc biến dạng; 5/ Tiến hành thực tính tốn với số liệu đo dao động thực tế qua tập số liệu đo dao động cầu Sài Gòn tác động tải giao thông Kết luận chung: Trên sở ứng dụng phát triển công cụ toán học chặt chẽ kết khả quan thực nghiệm, tác giả tin thuật toán VTKT-NF, KTKT-WL TSPA ứng dụng nhận dạng dự báo khuyết tật thường xuyên (ND-DBTX) hệ thống cầu thực Đồng thời, thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM công cụ toán học hữu dụng nhận dạng, dự báo, đo lường điều khiển theo hướng ứng dụng ANN FL Ngồi ra, thuật tốn cịn mở hướng phát triển tốt 5.3 HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN - Một đặc điểm quan trọng thuật toán KTKT-WL [6] kết hợp với thuật tốn VTKT-NF [4] để xây dựng mạng Wavelet Neural Fuzzy tích hợp ưu điểm phép phân tích wavelet, nhạy với thay đổi tín hiệu vùng hẹp, với khả học, khả tính tốn, khả nhớ kỹ thuật mạng neron nhân tạo khả suy diễn xấp xỉ, có tính ước lệ logic mờ Trong nghiên cứu tiếp theo, xây dựng hệ thống suy diễn Wavelet Neural Fuzzy nghiên cứu ứng dụng hệ thống với thuật toán nêu nhận dạng dự báo khuyết tật thường xuyên, ND-DBTX - Trong trường hợp tổng quát, toán ngược tốn khơng chỉnh; lời giải tốn ngược phụ thuộc vào điều kiện biên Vì vậy, bước tiếp tục nghiên cứu hoàn thiện sở liệu nhằm xây dựng tập liệu cho hệ thống ND-DBTX phản ánh tốt quan hệ đặc điểm khuyết tật xuất hệ đáp ứng động lực học tương ứng hệ nhằm gia tăng độ xác nhận dạng dự báo khuyết tật hệ thống - Trong khoa học ứng dụng, hiệu giải pháp phụ thuộc vào độ tin cậy phương pháp luận điều kiện khả cơng nghệ Do đó, ngồi việc nghiên cứu hồn thiện lý thuyết, sâu nghiên cứu giải pháp công nghệ để xây dụng hệ thống ND-DBTX cầu, đáp ứng yêu cầu cấp bách - 25 - DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ [1] Nguyễn Sỹ Dũng, Lê Hoài Quốc (2006), “Thuật tốn thích nghi huấn luyện mạng neuron sở phương pháp Conjugate Gradient”, Tạp chí Khoa học Cơng nghệ, số 58, tr 68-73 [2] Nguyễn Sỹ Dũng, Ngô Kiều Nhi (2008), “Tổng hợp hệ thống suy diễn NeuroFuzzy thích nghi (ANFIS) từ tập liệu số”, Tạp chí Tin học Điều khiển học, tập 24, số 2, tr 126-140 [3] Nguyễn Sỹ Dũng, Lê Minh Cảnh, Ngô Kiều Nhi (2008), “Nhận dạng khuyết tật cầu mơ hình phương pháp lượng mạng Neuro-Fuzzy”, Tạp chí Phát triển KH&CN, tập 11, số 2, tr 5-17 [4] Nguyễn Sỹ Dũng, Lê Thanh Tùng, Ngô Kiều Nhi (2009), “Thuật tốn xác định vị trí suy giảm độ cứng chống biến dạng cầu”, Tạp chí Phát triển KH&CN, tập 12, số 13, tr 57-68 [5] Nguyễn Sỹ Dũng, Ngơ Kiều Nhi (2009), “TSPA, thuật tốn dự báo theo chuỗi thời gian dựa hệ thống suy diễn neuro-fuzzy thích nghi”, Tạp chí Cơ khí Việt Nam, số 148 [6] Nguyễn Sỹ Dũng, Ngô Kiều Nhi (2009), “Một thuật toán kiểm tra khuyết tật cầu dựa phân tích Wavelet tín hiệu dao động, thuật tốn KTKT-WL”, Tạp chí Cơ khí Việt Nam, số 145, tr 25-29 [7] Nguyễn Sỹ Dũng (2007), “Một thuật toán huấn luyện mạng neuron”, Tuyển tập báo cáo khoa học, Hội nghị Khoa học Công nghệ Đào tạo Lần thứ II, Trường Đại học Công nghiệp HCM, t.I, tr 1-5 [8] Nguyễn Sỹ Dũng (2008), “Nhận dạng đáp ứng Tải - Chuyển vị cầu mơ hình sở ứng dụng hệ thống suy diễn Neuro-Fuzzy thích nghi”, Tuyển tập báo cáo khoa học, Hội nghị Khoa học Công nghệ Đào tạo Lần thứ III, Trường Đại học Công nghiệp HCM, 12-2008 [9] Sy Dzung Nguyen and Kieu Nhi Ngo (2008), “An Adaptive Input Data Space Parting Solution to the Synthesis of Neuro-Fuzzy Models”, International Journal of Control, Automation, and Systems, IJCAS, 6(6), pp 928-938 - 26 - Hướng dẫn khoa học: GS TS Ngô Kiều Nhi - 27 - ... neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ - Nghiên cứu lý thuyết nhận dạng dự báo khuyết tật, xây dựng thuật toán nhận dạng dự báo khuyết tật dầm cơng cụ tốn học nêu trên; - Đánh giá phạm vi... cho thuật toán nhận dạng dự báo khuyết tật, bao gồm xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy xây dựng thuật toán huấn luyện mạng neuro-fuzzy - Xây dựng thuật toán nhận dạng dự báo khuyết. .. xây dựng thuật toán nhận dạng dự báo khuyết tật phần tử dầm, làm sở để xây dựng hệ thống ND-DBTX cầu nghiên cứu 1.3.2 Nhiệm vụ đặt cho luận án - Nghiên cứu tổng quan nhận dạng dự báo khuyết tật