ISSN:
1572-9648
Keywords:
Identification
;
Nonlinear systems
;
Bilinear systems
;
Structural cracks
;
Neural networks
Source:
Springer Online Journal Archives 1860-2000
Topics:
Mechanical Engineering, Materials Science, Production Engineering, Mining and Metallurgy, Traffic Engineering, Precision Mechanics
,
Physics
Description / Table of Contents:
Sommario L'articolo presenta una procedura per la classificazione di sistemi lineari e nonlineari, basata su reti neurali e su eccitazione del tipo sinusoidale variabile in frequenza (swept sine). Una particolare attenzione è rivolta verso la classificazione e l'identificazione di sistemi lineari e bilineari; questi ultimi presentano infatti una caratteristica tipica di sistemi nella cui struttura si sia prodotta una cricca. Le simulazioni mostrano che: (1) mediante la procedura presentata nell'articolo la rete di classificazione, dopo la fase di apprendimento, può classificare in modo affidabile un sistema lineare e differenti sistemi nonlineari; (2) l'useita della rete neurale di classificazione per un sistema lineare ed un sistema bilineare può essere usata come un indicatore quantitativo delle caratteristiche di sistemi bilineari aventi differenti rapporti di rigidezza (k (x〉0)/k (x〈0)) rispetto at sistema bilineare usato nella fase di apprendimento; (3) per sistemi a due gradi di liberta, la rete neurale può non soltanto determinare l'esistenza di una rigidezza bilineare e l'entità del rapporto delle rigidezze, ma anche specificare quale rigidezza è bilineare, cioè indicare la sua posizione. Questi risultati fanno individuare una possibilità di impiego di reti neurali per la rivelazione e localizzazione di crieche strutturali aventi caratteristiche bilineari.
Notes:
Abstract A procedure based on neural networks for the classification of linear and nonlinear systems is presented, using excitation and response data under swept sine excitation. Special attention is paid to the classification and identification of linear and bilinear systems, the latter being considered since they exhibit typical characteristics of cracked systems. The computer simulations show that: (1) using the procedure presented in this paper the trained classification network can reliably classify a linear system and different nonlinear systems; (2) the output of the trained identification neural network for a linear system and a bilinear system can be used as a quantitative indicator of characteristics of bilinear systems having different stiffness ratios (k (x〉0)/k (x〈0)) with respect to the bilinear system used in the training stage; (3) for two-degree-of-freedom systems, the trained network can not only determine the existence of a bilinear stiffness and the magnitude of its stiffness ratio, but also specify which stiffness is bilinear, i.e. indicate its position. These results provide a possibility of using the trained neural networks to detect and locate structural cracks which have the characteristics of bilinear systems.
Type of Medium:
Electronic Resource
URL:
http://dx.doi.org/10.1007/BF00993420
Permalink
