فایل ورد کامل رویکردهای حسگر فشرده برای نظارت بر وضعیت و تجسم آسیب مبتنی بر اسکن لیزر

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل رویکردهای حسگر فشرده برای نظارت بر وضعیت و تجسم آسیب مبتنی بر اسکن لیزر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

نظارت بر وضعیت (CM) و تست غیر تخریبی با مشکل داده‌های بزرگ مواجه می‌شوند زیرا نیاز دارند که به طور مداوم داده‌های موج یا ارتعاش را با سرعت نمونه گیری بالا بسنجند. در این مقاله رویکردهای حسگر فشرده برای هر دو طرح نظارت بر شرایط و تست غیرتخریبی پیشنهاد شده‌اند تا به طور موثر میزان زیادی داده را مدیریت کنند و همچنین قابلیت تشخیص آسیب فرآیند فعلی را بهبود ببخشند. حسگر فشرده یک پارادایم حسگر/نمونه برداری جدید است که در مقایسه با روش‌های نمونه گیری سنتی، تعداد نمونه‌های بسیار کمتری را در نظر می‌گیرد. برای آزمایشات CM، یک سیستم چرخشی ساخته شده استفاده می‌شود و تمامی داده‌ها به طور فشرده نمونه‌گیری می‌شوند تا داده‌های فشرده ایجاد شوند. ویژگی‌های سیگنال‌های بهینه بدون فرآیند بازسازی استخراج شده و برای تشخیص و طبقه بندی آسیب استفاده شده‌اند. همچنین تست غیرمخرب با استفاده از اسکن فشرده و سیستم لرزش گیر لیزر دوپلر (LDV)مجهز به دستگاه کج آینه انجام شد. فیلدهای موج با اسکن یک الگوی تصادفی و فشرده در مقیاس فضایی انجام شد و فیلدهای موج کامل از داده‌های فشرده‌ی اندازه گیری شده بدست آمدند. سپس منطقه‌ی آسیب شناسایی شده و با استفاده از پردازش سیگنال مبتنی بر عدد موج تجسم سازی شد. نتایج تجربی نشان داد که روش پیشنهادی می‌تواند به طور موثر سرعت پردازش داده و دقت تشخیص نظارت بر وضعیت و تست غیرمخرب را بهبود بخشد.

کلمات کلیدی: حسگر فشار | نظارت بر وضعیت | تست غیرتخریبی | ارتعاش سنج لیزری داپلر | شناسایی خسارت و آسیب

عنوان انگلیسی:

Compressive sensing approaches for condition monitoring and Laser-scanning based damage visualization

~~en~~ writers :

Jaehan Park, Myung Jun Lee, Jun Young Jeon, Hwee Kwon Jung, Gyuhae Park, To Kangb, Soon Woo Han

Condition monitoring (CM) and Non-destructive testing (NDT) encounter a big data problem because they require to
continuously measure vibration or wave data with a high sampling rate. In this study, compressive-sensing approaches
for both condition monitoring and non-destructive testing are proposed to efficiently handle a huge amount of data
and to improve the damage-detection capability of the current process. Compressive sensing is a novel
sensing/sampling paradigm that takes much fewer samples compared to traditional sampling methods. For CM
experiments, a built-in rotating system was used, and all data were compressively sampled to obtain compressed data.
Optimal signal features were then extracted without the reconstruction process and were used to detect and classify
damage. Also Non-destructive testing was conducted by using compressed scanning with a Laser Doppler
Vibrometer (LDV) system equipped with a mirror tilting device. Wave fields were obtained by scanning through a
random and compressive pattern in the spatial domain and full wave fields were reconstructed from the
compressively measured data. The damage region was then identified and visualized using wavenumber based
signal processing. Experimental results showed that the proposed method could effectively improve the dataprocessing speed and the detection accuracy of condition monitoring and non-destructive testing.

Keywords: Compressive Snesing | Condition monitoring | Nondestructive testing | laser doppler vibrometer | damage detection

$$en!!