⚡ electrical engineering

Vision-Based Structural Damage Identification in Vibrating Beams via Dynamic Mode Decomposition

تقترح هذه الدراسة وتتحقق من صحة إطار عمل غير تلامسي وقائم على البيانات باستخدام تفكيك النمط الديناميكي (DMD) على بيانات الفيديو عالي السرعة لاستخراج الميزات النمطية وتحديد الأضرار الهيكلية في العوارض المهتزة من خلال كل من المحاكاة العددية والاختبارات التجريبية.

المؤلفون الأصليون: R K B M Rizmi, Shabbir Ahmed

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: R K B M Rizmi, Shabbir Ahmed

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك مسطرة طويلة ومرنة مثبتة على طاولة. إذا نقرت على طرفها الحر، فستتذبذب ذهابًا وإيابًا. هذا هو الكمر المهتز (vibrating beam). يحتاج المهندسون لمعرفة ما إذا كانت هذه المسطرة سليمة أم بها شق خفي، لأن الشق يغير طريقة تذبذبها.

تقليديًا، لفحص الشقوق، يقوم المهندسون بلصق مستشعرات صغيرة (مثل الملاحظات اللاصقة ذات الأسلاك) في جميع أنحاء المسطرة. هذه الطريقة فوضوية، ومكلفة، وتفحص فقط المواضع التي توجد بها المستشعات. إذا كان هناك شق بين المستشعات، فقد يفوتهم.

تقترح هذه الورقة البحثية طريقة أذكى: مراقبة المسطرة باستخدام كاميرا عالية السرعة.

إليك تفصيل بسيط لما فعله الباحثون وما وجدوه:

1. "العين السحرية" (الكاميرا)

بدلاً من لصق مستشعرات على الكمر، قاموا بتصوير اهتزازه باستخدام كاميرا فائقة السرعة (1,000 إطار في الثانية).

التشبيه: تخيل أنك تراقب حشدًا من الناس يلوحون بأيديهم. بدلاً من سؤال كل شخص عن حمل لافتة، أنت فقط تراقب حركة الحشد بأكمله. تلتقط الكاميرا حركة كل بكسل في الشاشة، مما يخلق رؤية "كاملة المجال" للاهتزاز.

2. "مكتشف الأنماط" (تفكيك النمط الديناميكي - DMD)

ينتج الفيديو كمية هائلة من البيانات (ملايين البكسلات المتغيرة بمرور الوقت). البشر لا يستطيعون معالجة ذلك. استخدم الباحثون أداة رياضية تسمى تفكيك النمط الديناميكي (Dynamic Mode Decomposition - DMD).

التشبيه: فكر في أغنية. الأغنية هي مجرد مجموعة من الموجات الصوتية المختلطة. الـ DMD يشبه تطبيق موسيقى ذكي يستمع إلى الأغنية ويقول: "حسنًا، أنا أسمع نغمة باص بتردد 50 هرتز، ونغمة جيتار بتردد 200 هرتز، وإيقاع طبول".
في هذه الورقة، ينظر الـ DMD إلى الفيديو ويقول: "أنا أرى الكمر ينحني بهذا الشكل المحدد (النمط 1)، وهو يتذبذب بهذه السرعة المحددة". إنه يفكك الفيديو المعقد إلى "أشكال" و"سرعات" بسيطة ومفهومة.

3. "محقق الأضرار" (إيجاد الشق)

عندما يكون الكمر سليمًا، فإنه ينحني في منحنيات سلسة ومتوقعة. عندما يحتوي على شق، يصبح ذلك الجزء أكثر ليونة، ويصبح المنحنى غريبًا أو "منكسرًا" تمامًا عند موضع الضرر.

التشبيه: تخيل تلة متموجة وسلسة. إذا حفر شخص حفرة في منتصف التلة، سيتغير الشكل. الـ DMD يجد هذه "الحفر" في الشكل.
أنشأ الباحثون "مؤشر ضرر" (Damage Index) (درجة).
- الكمر السليم: الدرجة صفر. الأشكال تبدو مثالية.
- الكمر المتضرر: الدرجة ترتفع. الرياضيات تكتشف أن "التلة" لم تعد سلسة.

4. التجربة: الكمبيوتر مقابل الواقع

اختبروا ذلك بطريقتين:

محاكاة الكمبيوتر: بنوا كمرًا افتراضيًا في برنامج كمبيوتر (ANSYS) و"كسروه" افتراضيًا. قامت الكاميرا (المحاكية) بتصويره، ووجد الـ DMD الضرر.
الحياة الواقعية: أخذوا كمرًا بلاستيكيًا حقيقيًا، وثبتوه، ثم صوروه بكاميرا عالية السرعة. قاموا بعمل شقوق صغيرة (نقرات) فيه.
- النتيجة: في كلتا الحالتين، نجحت الطريقة. استطاع التمييز بين الكمر السليم والكمر المتضرر بمجرد مشاهدة الفيديو. حتى أنه لاحظ أن الشق الأكبر يسبب تغيرًا أكبر في درجة "مؤشر الضرر".

5. ماذا وجدوا (الخلاصة)

إنه يعمل دون لمس: لا تحتاج إلى لصق مستشعرات على الكمر. فقط قم بتصويره.
إنه يرى غير المرئي: يمكن للرياضيات رصد التغيرات الصغيرة في كيفية انحناء الكمر التي قد تخطئها العين البشرية في الفيديو.
إنه سريع ونظيف: لم يحتاجوا إلى إجراء حسابات ثقيلة ومعقدة لمعرفة مقدار حركة الكمر؛ بل قاموا فقط بتغذية الفيديو الخام في أداة الـ DMD.

ما الذي لم يفعلوه (قيود هامة)

الورقة البحثية واضحة جدًا بشأن ما يمكن لهذه الأداة فعله وما لا يمكنها فعله الآن:

يمكنها إخبارك بوجود ضرر. (الدرجة ارتفعت).
يمكنها إخبارك بمدى سوء الضرر. (الدرجة ارتفعت أكثر للشقوق الأكبر).
لا يمكنها (حتى الآن) إخبارك بالمكان الدقيق للضرر. يعترف المؤلفون أن هذا يمثل قيدًا. هم يعلمون أن الكمر مكسور، لكنهم لم يتقنوا الرياضيات لتحديد موضع الشق بدقة بعد. وهذا هو ما يخططون للعمل عليه لاحقًا.

باختة القول: تُظهر هذه الورقة أنه يمكنك استخدام كاميرا عالية السرعة وأداة رياضية ذكية "للاستماع" إلى اهتزازات هيكل ما ومعرفة ما إذا كان "مريضًا"، دون لمسه أبدًا. الأمر يشبه تشخيص مريض بمجرد مراقبة مشيته، بدلاً من غرس الإبر فيه.

ملخص تقني: تحديد الضرر الهيكلي القائم على الرؤية في العوارض المهتزة عبر تفكيك النمط الديناميكي

بيان المشكلة
تعتمد مراقبة الصحة الهيكلية (SHM) تقليديًا على مستشعرات التلامس (مثل مقاييس التسارع، ومقاييس الانفعال) والتي تكون اقتحامية، ومكلفة في التركيب، وتوفر تغطية مكانية محدودة. وبينما توجد طرق غير تلامسية مثل قياس الاهتزاز بالليزر، إلا أنها غالبًا ما تظل نقطية أو باهظة الثمن للتحليل كامل المجال. توفر المراقبة القائمة على الفيديو بديلًا قابلًا للتوسع وغير تلامسي؛ ومع ذلك، فإن استخراج معلومات ديناميكية ذات معنى فيزيائي من البيانات المرئية عالية الأبعاد يظل أمرًا صعبًا. تتطلب النهج الحالية غالبًا معالجة مسبقة مكثفة لإعادة بناء مجالات الإزاحة أو تعتمد على متغيرات متخصصة من تفكيك النمط الديناميكي (DMD) مع معالجة لاحقة متعددة المراحل لعزل بصمات الضرر. تعالج هذه الدراسة الحاجة إلى إطار عمل انسيابي قائم على البيانات يستخرج ميزات التشخيص مباشرة من بيانات الفيديو الخام أو لقطات المحاكاة دون معالجة مسبقة استدلالية مكثفة.

المنهجية
يستخدم إطار العمل المقترح تفكيك النمط الديناميكي (DMD) لتقريب الديناميكيات الخطية الكامنة لعارضة كابولية (cantilever beam) مهتزة مباشرة من البيانات الزمانية المكانية. تنقسم المنهجية إلى تحقيقين متوازيين: محاكاة عددية باستخدام ANSYS ودراسة تجريبية باستخدام تسجيلات فيديو عالية السرعة.

الحصول على البيانات والمعالجة المسبقة:
- العددية: تولد تحليلات العناصر المحدودة العابرة مجالات الإزاحة لعارضة كابولية من مادة البولي بروبيلين في حالات سليمة وحالتين متضررتين (شقوق عند أعماق ومواقع متفاوتة).
- التجريبية: تلتقط فيديوهات عالية السرعة (1000 إطار في الثانية) الاهتزاز الحر لعارضة مماثلة. يتم معالجة إطارات الفيديو إلى مصفوفات لقطات زمانية مكانية.
- تمثيل الحالة: تبني الدراسة مصفوفات البيانات $X$ و $X'$ من لقطات متتالية. بينما تم استقصاء تضمين التأخير (مصفوفات هانكل) لإثراء تمثيل الحالة، استخدم التحليل التجريبي النهائي رتبة قطع قدرها 150 بدون تضمين التأخير لتحقيق التوازن بين الدقة والتعقيد.
تفكيك النمط الديناميكي (DMD):
- يحدد DMD مؤثرًا خطيًا ملائمًا بأفضل قدر ( $A$ ) يتقدم بحالة النظام في الزمن ( $X' \approx AX$ ).
- من خلال تفكيك القيم المفردة (SVD) والإسقاط على فضاء فرعي مختزل، تستخرج الخوارزمية القيم الذاتية لـ DMD (التي تميز النمو/الاضمحلال الزمني والتردد) وأنماط DMD (الهياكل المكانية المتماسكة).
- تعمل هذه الأنماط كبديل لأشكال الأنماط التجريبية الكلاسيكية.
خوارزمية كشف الضرر:
- استخراج الميزات: من كل ملف نمط $\phi_k(x)$ لـ DMD، يتم اشتقاق أربعة ناقلات ميزات مكانية: شكل النمط (MS)، ميل شكل النمط (MSS)، انحناء شكل النمط (MSC)، ومربع انحناء شكل النمط (MSCS).
- بناء المرجع: يتم إنشاء مصفوفة مرجعية $P$ من الحالة السليمة باستخدام تراكم الضرب الخارجي الموزون بالتباين لمتجهات الميزات السليمة.
- مؤشر الضرر ( $Q$ ): تمت صياغة مؤشر ضرر مبتكر يعتمد على الصيغة التربيعية من نوع ماهالانوبيس (Mahalanobis-type). يقيس هذا المؤشر الانحراف لمتجه الميزة الحالي (المحتمل تضرره) عن المرجع السليم، بوزن عكسي لبنية التباين المرجعية. يتم الحصول على مؤشر عالمي $Q$ عن طريق المتوسط عبر الأنماط المختارة.

النتائج الرئيسية

إعادة البناء والتنبؤ: نجح DMD في إعادة بناء والتنبؤ بإزاحة الطرف لكل من التكوينات السليمة والمتضررة. كان جذر متوسط مربع الخطأ (RMSE) أدنى ما يمكن في الحالة السليمة ( $1.12 \times 10^{-3}$ ) وأعلى قليلاً في الحالات المتضررة ( $\approx 2.1 \times 10^{-3}$ )، مما يشير إلى أن الضرر يضيف تعقيدًا ديناميكيًا يصعب التقاطه قليلاً بواسطة إطار DMD الخطي، رغم أن الأخطاء تظل منخفضة.
التحليل النمطي: أظهرت أنماط DMD المستخرجة أشكالًا سلسة ومتسقة فيزيائيًا للعارضة السليمة. أظهرت التكوينات المتضررة انحرافات طفيفة ولكنها منهجية في البنية المكانية، لا سيية في الانحناء الموضعي، مما يعكس التغيرات في توزيع الصلابة.
تحليل القيم الذاتية: أظهرت التكوينات المتضررة إزاحة للداخل للقيم الذاتية نحو الأصل في المستوى المركب مقارنة بالحالة السليمة. يشير هذا إلى زيادة التخميد أو تسارع اضمحلال الديناميكيات، مما يوحي بزيادة تبديد الطاقة بسبب التدهور الهيكلي.
أداء مؤشر الضرر:
- نجح المؤشر $Q$ المقترح في التمييز بين الحالات السليمة والمتضررة، حيث بلغت قيمة $Q=0$ للحالة السليمة المرجعية وقيمًا أعلى بكثير للحالات المتضررة.
- أظهر المؤشر حساسية متسقة لشدة الضرر، حيث ارتفعت القيم من حالة الضرر 1 إلى حالة الضرر 2.
- من بين الميزات، أظهر المؤشر القائم على مربع انحناء شكل النمط (MSCS) أعلى حساسية لشدة الضرر، حيث أظهر أكبر تغيير نسبي بين مستويات الضرر. ويعزى ذلك إلى تضخيم تغيرات الانحناء عند تربيعها.

الأهمية والادعاءات
يزعم البحث أن DMD يوفر أداة قوية، وقابلة للتفسير، وفعالة حاسوبيًا للكشف عن الضرر غير التلامسي باستخدام بيانات الفيديو. تشمل المساهمات الرئيسية ما يلي:

الاستخراج المباشر للميزات: القدرة على استخراج بصمات حساسة للضرر مباشرة من متشعبات الأنماط الخام (أنماط DMD) دون الحاجة إلى إعادة بناء الإزاحة الصريحة أو المعالجة المسبقة المكثفة.
مؤشر ضرر مبتكر: صياغة كمية مميزة ومؤشر ضرر ( $Q$ ) مشتق حصريًا من أشكال الأنماط المستخرجة من DMD والقيم الذاتية، مما يسهل الكشف عن الضرر وتحديده بكفاءة.
القابلية للتفسير: يوفر إطار العمل تمثيلًا قابلًا للتفسير فيزيائيًا لاستجابة النظام، ويربط البيانات المرئية بالخصائص النمطية (الترددات، التخميد، والأشكال المكانية) المعروفة بحساسيتها لتدهور الصلابة.
التحقق: تم التحقق من المنهجية عبر كل من المحاكاة عالية الدقة وبيانات الفيديو التجريبية الواقعية، مما أظهر أنماطًا متسقة بين الحالات السليمة والمتضررة.

القيود والعمل المستقبلي
يشير المؤلفون إلى أن الإطار الحالي محدود بالكشف عن الضرر وقياس شدته؛ وهو لا يقوم حاليًا بتحديد موقع الضرر. يهدف العمل المستقبلي إلى توسيع إطار العمل لتمكين تحديد الموقع والتحقق من المنهجية على أنظمة هيكلية أكثر تعقيدًا وذات أبعاد أعلى، بما في ذلك الأنظمة التي تظهر سلوكًا غير خطي.