Documents disponibles écrits par cet auteur

Structural Damage Classification Using Extreme Value Statistics / Sohn, Hoon in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 127, N° 1 (Mars 2005)

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 1 (Mars 2005) . - 125-132 p. Titre : Structural Damage Classification Using Extreme Value Statistics Titre original : Classification Structurale de Dommages en Utilisant des Statistiques Extrêmes de Valeur Type de document : texte imprimé Auteurs : Sohn, Hoon, Auteur ; Allen, David W., Auteur Article en page(s) : 125-132 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Algorithme  d'identification  des  dommages  Modèle  statistique  Queue  de  la  distribution  Comportement  fallacieux  Classification  des  dommages Index. décimale : 620.1/389 Résumé : The first and most important objective of any damage identification algorithm is to as certain with confidence if damage is present or not. Many methods have been proposed for damage detection based on ideas of novelty detection founded in pattern recognition and multivariate statistics. The philosophy of novelty detection is simple. Features are first extracted from a baseline system to be monitored, and subsequent data are then compared to see if the new features are outliers, which significantly depart from the rest of population. In damage diagnosis problems, the assumption is that outliers are generated from a damaged condition of the monitored system. This damage classification necessitates the establishment of a decision boundary. Choosing this threshold value is often based on the assumption that the parent distribution of data is gaussian in nature. While the problem of novelty detection focuses attention on the outlier or extreme values of the data , i.e., those points in the tails of the distribution, the threshold selection using the normality assumption might impose potentially misleading behavior on damage classification, and is likely to lead the damage diagnosis astray. In this paper, extreme value statistics is integrated with the novelty detection to specifically model the tails of the distribution of interest. Finally, the proposed technique is demonstrated on simulated numerical data and time series data measured from an eight degree of freedom spring-mass system. Le premier et le plus important objectif de n'importe quel algorithme d'identification de dommages est à comme certain avec confiance si les dommages sont présents ou pas. On a proposé beaucoup de méthodes pour la détection de dommages basée sur des idées de détection de nouveauté fondées dans l'identification de modèle et les statistiques multivariables. La philosophie de la détection de nouveauté est simple. Des dispositifs sont d'abord extraits à partir d'un système de ligne de base à surveiller, et des données suivantes sont alors comparées pour voir si les nouveaux dispositifs sont des annexes, qui s'écartent de manière significative du reste de population. Dans des problèmes de diagnostic de dommages, la prétention est que des annexes sont produites d'un état endommagé du système surveillé. Cette classification de dommages rend nécessaire l'établissement d'une frontière de décision. Le choix de cette valeur- seuil est souvent fondé sur l'hypothèse que la distribution de parent des données est gaussienne en nature. Tandis que le problème de l'attention de foyers de détection de nouveauté sur l'annexe ou les valeurs extrêmes des données,i.e., ces points dans les queues de la distribution, le choix de seuil employant la prétention de normalité pourrait imposer le comportement potentiellement fallacieux à la classification de dommages, et est susceptible de mener le diagnostic de dommages égaré. Dans ces statistiques de papier et extrêmes de valeur est intégré avec la détection de nouveauté pour modeler spécifiquement les queues de la distribution d'intérêt. En conclusion, la technique proposée est démontrée sur des données numériques simulées et des données de série chronologique mesurées à partir des huit degrés de système de la ressort-masse de liberté. [article] Structural Damage Classification Using Extreme Value Statistics = Classification Structurale de Dommages en Utilisant des Statistiques Extrêmes de Valeur [texte imprimé] / Sohn, Hoon, Auteur ; Allen, David W., Auteur . - 125-132 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 1 (Mars 2005) . - 125-132 p. Mots-clés : Algorithme  d'identification  des  dommages  Modèle  statistique  Queue  de  la  distribution  Comportement  fallacieux  Classification  des  dommages Index. décimale : 620.1/389 Résumé : The first and most important objective of any damage identification algorithm is to as certain with confidence if damage is present or not. Many methods have been proposed for damage detection based on ideas of novelty detection founded in pattern recognition and multivariate statistics. The philosophy of novelty detection is simple. Features are first extracted from a baseline system to be monitored, and subsequent data are then compared to see if the new features are outliers, which significantly depart from the rest of population. In damage diagnosis problems, the assumption is that outliers are generated from a damaged condition of the monitored system. This damage classification necessitates the establishment of a decision boundary. Choosing this threshold value is often based on the assumption that the parent distribution of data is gaussian in nature. While the problem of novelty detection focuses attention on the outlier or extreme values of the data , i.e., those points in the tails of the distribution, the threshold selection using the normality assumption might impose potentially misleading behavior on damage classification, and is likely to lead the damage diagnosis astray. In this paper, extreme value statistics is integrated with the novelty detection to specifically model the tails of the distribution of interest. Finally, the proposed technique is demonstrated on simulated numerical data and time series data measured from an eight degree of freedom spring-mass system. Le premier et le plus important objectif de n'importe quel algorithme d'identification de dommages est à comme certain avec confiance si les dommages sont présents ou pas. On a proposé beaucoup de méthodes pour la détection de dommages basée sur des idées de détection de nouveauté fondées dans l'identification de modèle et les statistiques multivariables. La philosophie de la détection de nouveauté est simple. Des dispositifs sont d'abord extraits à partir d'un système de ligne de base à surveiller, et des données suivantes sont alors comparées pour voir si les nouveaux dispositifs sont des annexes, qui s'écartent de manière significative du reste de population. Dans des problèmes de diagnostic de dommages, la prétention est que des annexes sont produites d'un état endommagé du système surveillé. Cette classification de dommages rend nécessaire l'établissement d'une frontière de décision. Le choix de cette valeur- seuil est souvent fondé sur l'hypothèse que la distribution de parent des données est gaussienne en nature. Tandis que le problème de l'attention de foyers de détection de nouveauté sur l'annexe ou les valeurs extrêmes des données,i.e., ces points dans les queues de la distribution, le choix de seuil employant la prétention de normalité pourrait imposer le comportement potentiellement fallacieux à la classification de dommages, et est susceptible de mener le diagnostic de dommages égaré. Dans ces statistiques de papier et extrêmes de valeur est intégré avec la détection de nouveauté pour modeler spécifiquement les queues de la distribution d'intérêt. En conclusion, la technique proposée est démontrée sur des données numériques simulées et des données de série chronologique mesurées à partir des huit degrés de système de la ressort-masse de liberté.