ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2024, № 12 · СМЕЖНЫЕ ПРОБЛЕМЫ РАДИОЭЛЕКТРОНИКИ

Проекционный метод определения аномальных датчиков в задачах виброакустики

Н.А. Кутузов1, А.А. Родионов1

1 Институт прикладной физики им. А.В. Гапонова-Грехова РАН, Нижний Новгород, Россия
Полный текст DOI: 10.30898/1684-1719.2024.12.8 УДК 534.6.08 EDN EDUKVS

Аннотация

В виброакустических задачах распространенной проблемой при проведении измерений с использованием набора вибродатчиков является отсутствие точной модели сигнала на приемниках. Подобная неопределенность может привести к деградации алгоритмов обработки и неправильному решению обратной задачи. Также из-за неисправности вибродатчики могут выдавать некорректный результат, ухудшая качество измерений. На практике поиск таких аномальных датчиков представляет отдельную нетривиальную задачу. В настоящей работе для ее решения предложен оригинальный метод, относящийся к проекционным алгоритмам. Показано, что предложенный подход позволяет обнаруживать аномальные приемники различного типа. Главной особенностью метода является совмещение численной конечно-элементной модели исследуемого объекта и экспериментальных данных. Эффективность предложенного метода продемонстрирована в задаче локализации виброисточников. Новый метод может быть использован и в других приложениях, где решение обратной задачи происходит с использованием численной или аналитической модели.

  • проекционные методы
  • локализация источников
  • отбор датчиков
  • шумы и вибрации
Abstract (in English)

Projection method for outlier detection in sensor data in vibroacoustics problems

A common problem in measurements using a set of vibration sensors in vibroacoustics is the lack of an accurate signal model on the receivers. Such uncertainty can lead to processing algorithms errors and an incorrect solution to the inverse problem. Due to a malfunction, vibration sensors data can also be bad, deteriorating the quality of measurements. In practice, the search for such anomalous sensors is a non-trivial task. In this paper, an original method related to projection algorithms is proposed for this problem. It is shown that the proposed method allows detecting anomalous sensors of various types. The method main feature is using both numerical finite element model of the object and experimental data. The efficiency of the proposed method is demonstrated in the localizing vibration sources problem. The new method can be used in other applications where the inverse problem is solved using a numerical or analytical model.

Для цитирования

Кутузов Н.А., Родионов А.А. Проекционный метод определения аномальных датчиков в задачах виброакустики // Журнал радиоэлектроники. – 2024. – № 12. https://doi.org/10.30898/1684-1719.2024.12.8

Литература

  1. Petyt M.Introduction to finite element vibration analysis. - Cambridge university press,2010. https://doi.org/10.1017/CBO9780511761195
  2. Pastor M., Binda M., Harčarik T. Modal assurance criterion // Procedia Engineering. - 2012. - Т. 48. - С. 543-548. https://doi.org/10.1016/j.proeng.2012.09.551
  3. Lee E.T., Eun H.C. Optimal sensor placements using modified Fisher information matrix and effective information algorithm // International Journal of Distributed Sensor Networks. - 2021. - Т. 17. - №. 6. https://doi.org/10.1177/15501477211023022
  4. Heo G., Wang M.L., Satpathi D. Optimal transducer placement for health monitoring of long span bridge // Soil dynamics and earthquake engineering. - 1997. - Т. 16. - №. 7-8. - С. 495-502. https://doi.org/10.1016/S0267-7261(97)00010-9
  5. Teh H.Y., Kempa-Liehr A.W., Wang K.I.K. Sensor data quality: A systematic review // Journal of Big Data. - 2020. - Т. 7. - №. 1. - С. 11. https://doi.org/10.1186/s40537-020-0285-1
  6. Hotelling H. Analysis of a complex of statistical variables into principal components // Journal of educational psychology. - 1933. - Т. 24. - №. 6. - С. 417. https://doi.org/10.1037/h0071325
  7. De Boe P., Golinval J.C. Principal component analysis of a piezosensor array for damage localization // Structural health monitoring. - 2003. - Т. 2. - №. 2. - С. 137-144. https://doi.org/10.1177/1475921703002002005
  8. Golub G.H., Van Loan C.F. Matrix computations. - JHU press, 2013. https://doi.org/10.1137/1.9781421407944
  9. Pirra M. et al. PCA algorithm for detection, localisation and evolution of damages in gearbox bearings // Journal of Physics: Conference Series. - IOP Publishing, 2011. - Т. 305. - №. 1. https://doi.org/10.1088/1742-6596/305/1/012019
  10. Tibaduiza D. et al. A sensor fault detection methodology applied to piezoelectric active systems in structural health monitoring applications // IOP Conference Series: Materials Science and Engineering. - IOP Publishing, 2016. - Т. 138. - №. 1. https://doi.org/10.1088/1757-899X/138/1/012016
  11. Dunia R. et al. Use of principal component analysis for sensor fault identification // Computers & Chemical Engineering. - 1996. - Т. 20. - С. S713-S718. https://doi.org/10.1016/0098-1354(96)00128-7
  12. Xu C., Zhao S., Liu F. Sensor fault detection and diagnosis in the presence of outliers // Neurocomputing. - 2019. - Т. 349. - С. 156-163. https://doi.org/10.1016/j.neucom.2019.01.025
  13. Abu-Mahfouz I. Drilling wear detection and classification using vibration signals and artificial neural network // International Journal of Machine Tools and Manufacture. - 2003. - Т. 43. - №. 7. - С. 707-720. https://doi.org/10.1016/S0890-6955(03)00023-3
  14. Zonzini F. et al. Machine learning meets compressed sensing in vibration-based monitoring // Sensors. - 2022. - Т. 22. - №. 6. - С. 2229. https://doi.org/10.3390/s22062229
  15. Zhu K., San Wong Y., Hong G.S. Wavelet analysis of sensor signals for tool condition monitoring: A review and some new results // International Journal of Machine Tools and Manufacture. - 2009. - Т. 49. - №. 7-8. - С. 537-553. https://doi.org/10.1016/j.ijmachtools.2009.02.003
  16. Diez A. et al. A clustering approach for structural health monitoring on bridges // Journal of Civil Structural Health Monitoring. - 2016. - Т. 6. - С. 429-445. https://doi.org/10.1007/s13349-016-0160-0
  17. Žvokelj M., Zupan S., Prebil I. Multivariate and multiscale monitoring of large-size low-speed bearings using ensemble empirical mode decomposition method combined with principal component analysis // Mechanical Systems and Signal Processing. - 2010. - Т. 24. - №. 4. - С. 1049-1067. https://doi.org/10.1016/j.ymssp.2009.09.002
  18. Kutuzov N.A. et al. Study of the possibility of localizing multiple vibration sources in a mechanoacoustic system with a large number of degrees of freedom // Acoustical Physics. - 2020. - Т. 66. - С. 313-319. https://doi.org/10.1134/S1063771020030033
  19. Kutuzov N.A., Rodionov A.A., Stulenkov A.V. Localization of Multiple Vibration Sources Using a Modified MUSIC Algorithm // Physics of Wave Phenomena. - 2024. - Т. 32. - №. 1. - С. 56-66. https://doi.org/10.3103/S1541308X24010059
  20. Goutaudier D., Osmond G., Gendre D. Impact localization on a composite fuselage with a sparse network of accelerometers // Comptes Rendus. Mécanique. - 2020. - Т. 348. - №. 3. - С. 191-209. https://doi.org/10.5802/crmeca.12
  21. Turek G., Kuperman W.A. Applications of matched-field processing to structural vibration problems // The Journal of the Acoustical Society of America. - 1997. - Т. 101. - №. 3. - С. 1430-1440 https://doi.org/10.1121/1.418168
  22. Луковский М.А., Матвеев А.М. Сравнительный анализ методов калибровки каналов сигналов антенн моноимпульсной радиолокации // Журнал радиоэлектроники. - 2022. - №. 6. https://doi.org/10.30898/1684-1719.2022.6.5
  23. Valle S., Li W., Qin S.J. Selection of the number of principal components: the variance of the reconstruction error criterion with a comparison to other methods // Industrial & Engineering Chemistry Research. - 1999. - Т. 38. - №. 11. - С. 4389-4401. https://doi.org/10.1021/ie990110i
  24. Leys C. et al. Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median // Journal of experimental social psychology. - 2013. - Т. 49. - №. 4. - С. 764-766. https://doi.org/10.1016/j.jesp.2013.03.013
  25. Suvorov A.S., Sokov E.M., V'yushkina I.A. Regular algorithm for the automatic refinement of the spectral characteristics of acoustic finite element models // Acoustical Physics. - 2016. - Т. 62. - С. 593-599. https://doi.org/10.1134/S1063771016050171
  26. DeVore R. A., Temlyakov V.N. Some remarks on greedy algorithms // Advances in computational Mathematics. - 1996. - Т. 5. - №. 1. - С. 173-187. https://doi.org/10.1007/BF02124742
  27. Dumitrescu B. Sparse total least squares: analysis and greedy algorithms // Linear Algebra and its Applications. - 2013. - Т. 438. - №. 6. - С. 2661-2674. https://doi.org/10.1016/j.laa.2012.10.032