Resumen

El presente trabajo se refiere a la estimación de la función de densidad de probabilidad (f.d.p.) de los datos medidos en la detección de daños basada en ondas Lamb. Aunque existen varios trabajos de investigación que se centran en el algoritmo de consenso de la combinación de todos los resultados de los sensores individuales, la f.d.p. de los datos medidos, que es la parte fundamental del método basado en la probabilidad, se sigue dando por experiencia en los trabajos existentes. Basándose en el análisis sobre los errores inducidos por el ruido en los datos medidos, se aprendió que el tipo de distribución estaba relacionado con el nivel de ruido. En el caso de ruido débil, la f.d.p. de los datos medidos podía considerarse como la distribución normal. Los métodos empíricos podían dar resultados de estimación satisfactorios. Sin embargo, en el caso de ruido fuerte, la f.d.p. era compleja y no pertenecía a ningún tipo de función de distribución común. Por lo tanto, se necesitaban métodos no paramétricos. Como método no paramétrico más popular, se introdujo la estimación de densidad kernel. Para demostrar el rendimiento de los métodos de estimación de la densidad kernel, se construyó un modelo numérico para generar las señales de las ondas Lamb. Se añadieron intencionadamente tres niveles de ruido blanco gaussiano a las señales simuladas. Los resultados de la estimación mostraron que los métodos no paramétricos superaban en precisión a los métodos empíricos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:datos, f.d.p., métodos empíricos, métodos de estimación de la densidad del núcleo, función de distribución común, estimación de la densidad del núcleo, método no paramétrico popular, función de densidad de probabilidad, resultados de estimación satisfechos, ruido blanco gaussiano
• Keywords:data, p.d.f, empirical methods, kernel density estimation methods, common distribution function, kernel density estimation, popular nonparametric method, probability density function, satisfied estimating results, white gaussian noise