Documents disponibles écrits par cet auteur

Time Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling / Nair, K. Krishnan in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 129 N° 3 (Mai 2007) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 129 N° 3 (Mai 2007) . - 285-293 p. Titre : Time Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling Titre original : La série chronologique A basé l'algorithme structural de détection de dommages en utilisant modeler gaussien de mélanges Type de document : texte imprimé Auteurs : Nair, K. Krishnan, Auteur ; Kiremidjian, Anne S., Auteur Article en page(s) : 285-293 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Structural  health  monitoring  Damage  diagnosis  Pattern  classification  Gaussian  mixture  modelsSurveillance  de  santé  structurale  Diagnostic  de  dommages  Classification  de  modèle  Modèles  gaussiens  de  mélange Index. décimale : 620.1 Essais des matériaux. Défauts des matériaux. Protection des matériaux Résumé : In this paper, a time series based detection algorithm is proposed utilizing the Gaussian Mixture Models. The two critical aspects of damage diagnosis that are investigated are detection and extent. The vibration signals obtained from the structure are modeled as autoregressive moving average (ARMA) processes. The feature vector used consists of the first three autoregressive coefficients obtained from the modeling of the vibration signals. Damage is detected by observing a migration of the extracted AR coefficients with damage. A Gaussian Mixture Model (GMM) is used to model the feature vector. Damage is detected using the gap statistic, which ascertains the optimal number of mixtures in a particular dataset. The Mahalanobis distance between the mixture in question and the baseline (undamaged) mixture is a good indicator of damage extent. Application cases from the ASCE Benchmark Structure simulated data have been used to test the efficacy of the algorithm. This approach provides a useful framework for data fusion, where different measurements such as strains, temperature, and humidity could be used for a more robust damage decision. En cet article, on propose une série chronologique basée algorithme de détection utilisant les modèles gaussiens de mélange. Les deux aspects critiques du diagnostic de dommages qui sont étudiés sont détection et ampleur. Les signaux de vibration obtenus à partir de la structure sont modelés en tant que processus auto-régressifs de la moyenne mobile (ARMA). Le vecteur de dispositif utilisé comprend les trois premiers coefficients auto-régressifs obtenus à partir de modeler des signaux de vibration. Des dommages sont détectés en observant une migration des coefficients extraits d'AR avec des dommages. Un modèle gaussien de mélange (GMM) est employé pour modeler le vecteur de dispositif. Des dommages sont détectés employer la statistique d'espace, qui établit le nombre optimal de mélanges dans un ensemble de données particulier. La distance de Mahalanobis entre le mélange en question et le mélange (intact) de ligne de base est un bon indicateur de l'ampleur de dommages. Des cas d'application des données simulées par structure de repère d'ASCE ont été employés pour examiner l'efficacité de l'algorithme. Cette approche fournit un cadre utile pour la fusion de données, où différentes mesures telles que des contraintes, la température, et l'humidité pourraient être employées pour une décision plus robuste de dommages. DEWEY : 629.8 ISSN : 0022-0434 RAMEAU : Vibrations En ligne : kknair@stanford.edu, ask@stanford.edu [article] Time Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling = La série chronologique A basé l'algorithme structural de détection de dommages en utilisant modeler gaussien de mélanges [texte imprimé] / Nair, K. Krishnan, Auteur ; Kiremidjian, Anne S., Auteur . - 285-293 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 129 N° 3 (Mai 2007) . - 285-293 p. Mots-clés : Structural  health  monitoring  Damage  diagnosis  Pattern  classification  Gaussian  mixture  modelsSurveillance  de  santé  structurale  Diagnostic  de  dommages  Classification  de  modèle  Modèles  gaussiens  de  mélange Index. décimale : 620.1 Essais des matériaux. Défauts des matériaux. Protection des matériaux Résumé : In this paper, a time series based detection algorithm is proposed utilizing the Gaussian Mixture Models. The two critical aspects of damage diagnosis that are investigated are detection and extent. The vibration signals obtained from the structure are modeled as autoregressive moving average (ARMA) processes. The feature vector used consists of the first three autoregressive coefficients obtained from the modeling of the vibration signals. Damage is detected by observing a migration of the extracted AR coefficients with damage. A Gaussian Mixture Model (GMM) is used to model the feature vector. Damage is detected using the gap statistic, which ascertains the optimal number of mixtures in a particular dataset. The Mahalanobis distance between the mixture in question and the baseline (undamaged) mixture is a good indicator of damage extent. Application cases from the ASCE Benchmark Structure simulated data have been used to test the efficacy of the algorithm. This approach provides a useful framework for data fusion, where different measurements such as strains, temperature, and humidity could be used for a more robust damage decision. En cet article, on propose une série chronologique basée algorithme de détection utilisant les modèles gaussiens de mélange. Les deux aspects critiques du diagnostic de dommages qui sont étudiés sont détection et ampleur. Les signaux de vibration obtenus à partir de la structure sont modelés en tant que processus auto-régressifs de la moyenne mobile (ARMA). Le vecteur de dispositif utilisé comprend les trois premiers coefficients auto-régressifs obtenus à partir de modeler des signaux de vibration. Des dommages sont détectés en observant une migration des coefficients extraits d'AR avec des dommages. Un modèle gaussien de mélange (GMM) est employé pour modeler le vecteur de dispositif. Des dommages sont détectés employer la statistique d'espace, qui établit le nombre optimal de mélanges dans un ensemble de données particulier. La distance de Mahalanobis entre le mélange en question et le mélange (intact) de ligne de base est un bon indicateur de l'ampleur de dommages. Des cas d'application des données simulées par structure de repère d'ASCE ont été employés pour examiner l'efficacité de l'algorithme. Cette approche fournit un cadre utile pour la fusion de données, où différentes mesures telles que des contraintes, la température, et l'humidité pourraient être employées pour une décision plus robuste de dommages. DEWEY : 629.8 ISSN : 0022-0434 RAMEAU : Vibrations En ligne : kknair@stanford.edu, ask@stanford.edu