Resumen

El sensor piezoeléctrico es una parte crucial de la tecnología de impedancia electromecánica cuyo estado afectará directamente la efectividad y precisión del monitoreo de salud estructural (SHM). Por lo tanto, llevar a cabo el autodiagnóstico del sensor es importante y necesario. Sin embargo, aún es difícil distinguir las fallas del sensor del daño estructural, así como identificar los casos y grados de fallas del sensor. En el estudio, se seleccionaron tres índices característicos de admitancia que tienen diferentes intervalos de indicación para los daños de la estructura y los sensores a partir de seis índices después de la comparación. Para mejorar el efecto de discriminación, se extrajeron tres componentes principales (PC) mediante análisis de componentes principales (PCA). Y la información de daño representada por las PC fue agrupada por el algoritmo de -means para identificar los casos de daño. Luego, los grados de daño del sensor fueron clasificados con la red neuronal artificial (ANN). Los resultados muestran que el análisis de agrupamiento de -means basado en

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Sensor piezoeléctrico; Monitoreo de salud estructural; Fallas del sensor; Admitancia; Análisis de componentes principales; Red neuronal artificial
• Keywords:Piezoelectric sensor; Structural health monitoring; Sensor faults; Admittance; Principal component analysis; Artificial neural network