05.00.00 Технические науки

ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ ПРИ ОПЕРАЦИОННОЙ МОДАЛЬНОЙ ИДЕНТИФИКАЦИИ

Козлов А.С., Дудник С.В., Култазин Н.М., Ангапов В.Д., Гринер В.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Козлов Александр Сергеевич - старший системный администратор, филиал

Корпорация "Алайн Текнолоджи Ресерч энд Девелопмент, Инк";

Дудник Сергей Викторович - ведущий эксперт,

департамент инфраструктурных решений,  Сбербанк,

г. Москва;

Култазин Нурлан Муратович - инженер инфраструктуры,

Astana International Exchange,

г. Нур-Султан, Республика Казахстан;

Ангапов Василий Данилович - старший системный архитектор,

Digital IQ, г. Улан-Удэ;

Гринер Вадим - главный инженер по качеству,

Red Hat, г. Модиин-Маккабим-Реут, Израиль

Аннотация: рассмотрены методы построения алгоритмов операционного модального анализа для моделей с линейным изменением параметров во времени в системах виртуальных сенсоров архитектуры Sensor-Cloud. Показано, что алгоритмы операционного модального анализа для моделей с линейным изменением параметров во времени могут быть разделены на методы анализа во временной области и методы частотно-временного анализа. Разработан алгоритм обновления скользящего окна в рамках метода рекурсивного анализа главных компонент собственного вектора на базе метода ограничения памяти. В результате предложена схема построения алгоритмов определения переходных модальных параметров при помощи метода рекурсивного анализа главных компонент собственного вектора на базе метода ограничения памяти.

Ключевые слова: алгоритм операционного модального анализа, линейное изменение параметров во времени, архитектура Sensor-Cloud, скользящее окно, рекурсивный анализ главных компонент собственного вектора, виртуальный сенсор.

PECULIARITIES OF APPLICATION OF THE PRINCIPAL COMPONENT ANALYSIS METHOD FOR ADAPTIVE OPERATIONAL MODAL IDENTIFICATION

Kozlov A.S., Dudnik S.V., Kultazin N.M., Angapov V.D., Griner V.

 Kozlov Aleksandr Sergeevich - Sr. System Administrator,

BRANCH

"ALIGN TECHNOLOGY RESEARCH AND DEVELOPMENT INCORPORATED", EMEA RUSSIAN REGION;

Dudnik Sergei Victorovich - Leading Expert,

DEPARTMENT OF INFRASTRUCTURE SOLUTIONS,

SBERBANK,

MOSCOW;

Kultazin Nurlan Muratovich - Infrastructure Еngineer,

ASTANA INTERNATIONAL EXCHANGE,

NUR-SULTAN, REPUBLIC OF KAZAKHSTAN;

Angapov Vasilii Danilovich - Senior systems Architect,

 DIGITAL IQ, ULAN – UDE;

Griner Vadim - Senior Quality Engineer,

RED HAT, MODIIN MACCABIM REUT, ISRAEL

Abstract: the methods of constructing operational modal analysis algorithms for models with linear time-varying parameters at the virtual sensor systems of the Sensor-Cloud architecture are considered. It is shown that operational modal analysis algorithms for models with linear time-varying parameters can be divided into methods in the time domain and methods of time-frequency analysis. An algorithm for updating a moving window has been developed within the framework of the method of recursive analysis of the main components of the eigenvector based on the method of memory limitation. As a result, a scheme is proposed for constructing algorithms for determining transient modal parameters using the method of recursive analysis of the main components of the eigenvector based on the method of memory limitation.

Keywords: operational modal analysis algorithm, linear time-varying, Sensor-Cloud architecture, moving window, limited memory eigenvector recursive principal component analysis, virtual sensor.

 Список литературы / References

1. Brandt A. A signal processing framework for operational modal analysis in time and frequency domain. Mech. Syst. Signal Process. 115, 380–393, 2019.
2. Kedadouche M., Liu Z., Vu V.H. A new approach based on OMA-empirical wavelet transforms for bearing fault diagnosis. Measurement 90, 292–308, 2016.
3. Mcclure G., Using Ambient Vibration Measurements (AVM) and Operational Modal Analysis (OMA) to Characterize Telecommunication Monopoles. Current Trends in Civil & Structural Engineering, 3 (5). doi: 10.33552/ctcse.2019.03.000571.
4. Grittner L., Kleiner C. & Kadenbach D., Implementing OMA DRM Using Web Services: An Approach to Integrate OMA DRM and Web Services on Mobile Units, 2007. International Conference on Mobile Data Management. doi: 10.1109/mdm.2007.84
5. Liu K., Deng L. Identification of pseudo-natural frequencies of an axially moving cantilever beam using a subspace-based algorithm. Mech. Syst. Signal Process. 20 (1). 94–113, 2006.
6. Ma Z.S., Liu L. et al. Parametric output-only identification of time-varying structures using a kernel recursive extended least squares TARMA approach. Mech. Syst. Signal Process, 2018. 98, 684–701.
7. Dziedziech K., Staszewski W.J., Uhl T. Wavelet-based modal analysis for time-variant systems. Mech. Syst. Signal Process, 2018. 50–51, 323–337.
8. Yoshida T., Yamaguchi A. & Wake T., Visual Search for Change Is Memory-Limited, But Tactile Search for Change Is Process-Limited. PsycEXTRA Dataset. doi: 10.1037/e537052012-571.
9. Wang T., Zhang G. et al. A novel trust mechanism based on fog computing in sensor-cloud system. Future Gener. Comput. Syst.,
10. Zhang G., Wang T. et al. Detection of hidden data attacks combined fog computing and trust evaluation method in sensor-cloud system. Concur, 2018. Comput. Pract. Exp. e5109.
11. Wang T., Zhang G. et al. A secure IoT service architecture with an efficient balance dynamics based on cloud and edge computing. IEEE Internet Things J., 128 C.
12. Wang T., Zhou J. et al. Fog-based computing and storage offloading for data synchronization in IoT. IEEE Internet Things J., doi.org/10.1109/jiot.2018. 2875915.
13. Wang T., Zeng J. et al. Data collection from WSNs to the cloud based on mobile Fog elements. Future Gener. Comput. Syst., 2017.
14. Oteafy S.M. & Hassanein H.S., Cloud-Centric WSNs. Dynamic Wireless Sensor Networks, 39–50. doi: 10.1002/9781118761977.ch5.
15. Ren Y., Liu W. et al. A collaboration platform for effective task and data reporter selection in crowdsourcing network, 2019. IEEE Access 7, 19238–19257.
16. Teng H., Liu W. et al. A cost-efficient greedy code dissemination scheme through vehicle to sensing devices (V2SD) communication in smart city, 2019. IEEE Access 7, 16675–16694.
17. Huang B., Liu W. et al. Deployment optimization of data centers in vehicular networks, 2019. IEEE Access 7, 20644–20663.
18. Li J., Liu W. et al. Battery-friendly relay selection scheme for prolonging the lifetimes of sensor nodes in the internet of things, 2019. IEEE Access.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Козлов А.С., Дудник С.В., Култазин Н.М., Ангапов В.Д., Гринер В. ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ ПРИ ОПЕРАЦИОННОЙ МОДАЛЬНОЙ ИДЕНТИФИКАЦИИ// Проблемы современной науки и образования  №7 (152), 2020. - С. {см. журнал}.

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях

Tweet