بررسی تخمین عمر باقیمانده قطعات به کمک شبکه عصبی پرسپترون و فرین و فرایند تصادفیمارکوف

امروزه بحث تخمین عمر مفید باقیمانده سازه ها در زمینه تعمیر و نگهداری و قابلیت اطمینان از اهمیتویژه ای برخوردار می باشد و جهت مدلسازی نحوه پیشرفت آسیب از حالت اولیه تا حالت نهایی، فرایندهایتصادفی گسسته مارکوف یکی از پرکاربردترین ابزارهای ریاضی مورد استفاده در سطوح گسسته می باشد.در اغلب سیستم های مهندسی برای تخمین سطح سلامت سازه، امکان نظارت مستقیم بر شاخص هایآسیب میسر نمی باشد و الگوریتم های تخمین عمر مفید باقیمانده به دو شیوه کلی روش های مبنی برفرایندهای تصادفی گاما، مدل های مارکوف، نیمه مارکوف و وینر و روش های مبنی بر هوش مصنوعیهمانند منطق فازی و شبکه عصبی دسته بندی می گردند و جهت تعیین توزیع احتمال عمر مفید تخمینیاز روش های تحلیلی، تقریبی و شبیه سازی های عددی از الگوریتم های تحلیل قابلیت اطمینان استفادهمی گردد. بدین منظور استفاده از دادههای پایش سلامت غیرمستقیم و تناظر آنها با سطوح سلامت ومدلسازی نحوه پیشرفت آسیب به وسیله فرایندهای تصادفی ضروری می باشد و جهت مدلسازی فرایند پیشرفت آسیب مدلهای مارکوف مخفی HMM به عنوان یک فرایند تصادفی دوگانه به کار می روند.

کلیدواژه ها:

فرایند تصادفی مارکوف ، شبکه عصبی پرسپترون ، شبکه عصبی فرین ، پیش بینی آسیب