基于应变模态小波神经网络的结构损伤识别方法

以框架结构为研究对象,利用小波分析和神经网络理论,结合二者的优点,运用小波分析来确定框架结构的损伤位置,运用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法.通过建立基于振型模态和应变模态的损伤识别方法,分别对9种不同工况下框架的裂缝位置进行识别,并对比了这2种模态下损伤位置的识别效果.然后,分别对框架的振型模态和应变模态进行连续小波变换,获得2种模态参数下的小波系数模极大值.利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这2种模态下损伤程度的识别效果.数值分析结果表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,基于应变模态的损伤识别方法具有更好的准确性.     

结构损伤识别的周期小波方法

通过对结构损伤前后模态特征的变化进行分析,利用损伤结构的位移振型函数构造出曲率振型函数γi(x),然后再在曲率振型函数的基础上提出一个用于探测和评定损伤程度的新指标———损伤因子r(x)=∑i∈Idγi2(x);基于小波分析的方法,对损伤因子进行周期小波变换,通过小波系数的取值范围提出了一种结构损伤定位和损伤程度的评估方法.数值仿真表明,这是一种行之有效的损伤识别方法.     

基于转角模态小波变换的连续梁损伤识别研究

针对采用基本振型进行小波变换识别连续梁支座附近损伤的困难,提出了运用转角模态小波变换识别损伤的方法.该方法在对连续梁转角模态进行有限元分析的基础上,用墨西哥帽小波做连续小波变换,并由多尺度小波分析确定损伤位置,由低尺度上的小波系数模极大值识别相对损伤程度,由小波系数线特征确.定损伤类型.通过对一具有离散裂缝、裂缝群和局部刚度下降三类损伤的连续梁做数值计算分析,验证了方法的有效性.该方法对连续梁损伤识别的工程应用具有参考价值.     

基于小波神经网络的框架结构损伤识别

以含损伤的框架结构为研究对象,对损伤位置和损伤程度进行识别。运用有限元分析原理,采用Lanczos法得到框架结构的转角模态,对其转角模态进行连续小波变换可以得到结构的小波系数,再由小波系数模极大值确定损伤的位置。以损伤后结构的固有频率作为神经网络输入参数构造神经网络,从而实现对框架结构损伤程度的识别。通过对一平面框架结构的损伤识别计算分析,验证了方法的有效性。     

基于遗传算法的桩基损伤诊断研究

以单元刚度折减系数作为待识别参数,把频率和振型作为目标函数,运用遗传算法对折减系数进行计算,并通过实例运算验证了其对桩基损伤识别的有效性.     

基于分级遗传算法的结构损伤识别方法

提出了一种基于遗传算法的利用不完整振动数据识别结构损伤的新方法，该方法首先扩展不完整的振型并利用单元能量熵差比确定结构损伤的大致位置，然后采用二级搜索策略，借助遗传算法确定结构损伤的程度，数值计算结果表明，当可能的损伤区域较大时，本方法较直接搜索策略更能有效地确定结构损伤的程度。     

基于小波分析的多层框架结构损伤识别研究

为了利用小波分析时-频域局部化特性以及其对信号奇异点反应明显的特性,对2层框架结构的前八阶振型进行处理,计算其曲率,然后运用连续小波变换对曲率模态进行分析﹒通过对3种工况下的框架结构进行数值模拟分析,结果表明,曲率模态的小波变换系数模的极大值指示了结构的损伤位置,但结构损伤程度与小波变换系数模极大值大小之间没有内在的联系,其峰值的大小不能反映损伤程度,仅仅指示了结构损伤的位置﹒     

基于小波变换的钢桁梁桥损伤识别数值分析

为了验证基于曲率模态理论和小波变换相结合的损伤识别方法在桥梁结构监测中的适用性,采用SAP2000软件创建钢桁梁桥有限元分析模型.通过调整节点处单元弹性模量的方法改变节点的连接刚度,并模拟节点的不同损伤工况,然后对结构的模态振型进行曲率模态计算.在Matlab软件中应用Bior3.9小波函数编程,提取曲率模态信号的小波变换系数得到损伤指标D值,根据小波变换模极大值法对桥梁节点进行损伤识别.研究结果表明,该方法能够较好地识别出损伤节点的位置,并且损伤指标会随着损伤程度的提高而增大,为钢桁梁桥的损伤检测和健康监测提供了一定的参考和借鉴.     

遗传算法在结构损伤模式识别中的应用

研究了遗传算法在结构损伤诊断中的应用。将结构的损伤诊断问题等价为结构的损伤模式的识别问题,并应用遗传算法的全局搜索功能来实现损伤状态的优化识别。其中应用结构的第一阶振型变化率作为结构的损伤诊断标识量,从而减小遗传操作的种群规模,极大的提高了遗传算法的计算效率。四边固支板结构的单位置以及多位置损伤诊断算例说明了该方法是可行的,具有较高的识别精度。     

基于影像及小波变换的桥梁损伤识别

桥梁损伤定位和定量分析是桥梁健康监测的难点,为提高桥梁结构损伤位置识别的精度及准确性,利用位移模态对结构局部损伤的敏感特性,提出基于影像和小波变换的桥梁损伤识别新方法,通过工业相机获取悬臂梁振动形态,利用模版匹配方法提取结构动态位移响应及模态参数,对位移模态进行小波变换,建立小波系数平方差的损伤指标识别结构损伤位置。通过室内悬臂竖梁振动实验,对全域测点的振动衰减信号快速傅里叶变换成功获取了结构的模态振型,与数值模拟结果比较表明试验获得一阶固有频率最大误差为2.202%,二阶固有频率最大误差为3.182%,表明所提方法用于结构位移测量的可行性以及测量精度的可靠性;在此基础上利用小波系数平方差的明显突峰特性可准确识别结构单损伤、多损伤的存在,并能准确定位损伤位置。研究表明,所提方法可以准确识别不同位置、不同程度的单损伤和多损伤,具有远距离、非接触、高精度、高效快捷、可多点监测提升振型空间分辨率等优点,为桥梁结构全域损伤识别提供了一种新方法。     

基于曲率模态差和小波变换的网架损伤识别

采用一种基于曲率模态差和小波变换的损伤位置识别方法,对网架结构中常见的正放四角锥网架、两向正交正放网架、两向正交斜放网架、三向网架和蜂窝型三角锥网架进行了损伤识别,以结构损伤前后的曲率模态差作为小波变换的分析信号,对其进行db3连续和离散小波变换,确定杆件损伤位置。数值分析结果表明,在仅测得一阶模态的情况下,应用曲率模态差和小波变换相结合的方法可以对网架的单个损伤位置和多个损伤位置进行有效识别。     

基于修正模态的混合遗传算法结构损伤识别

采用模态参数对结构进行损伤识别时,测试模态参数包含的误差使识别结果受到影响,严重时甚至不能反映结构的实际破损情况.结构损伤检测可以作为一优化问题.为此提出一种基于修正测试模态的损伤识别方法,即将基于测试频率和修正后的测试振型组成的函数作为优化目标,由具有鲁棒性及易于处理非确定性信息能力的遗传算法和局部搜索算法组成的混合遗传算法作为优化工具.基于桁架的分析结果表明,即使在测试数据包含误差的情况下,采用该方法也能获得满意的识别结果.     

基于遗传算法的二阶段结构损伤探测方法

为了有效地进行工程结构的损伤识别,提出了一种基于遗传算法的二阶段损伤探测方法.首先利用基于频率的多损伤定位准则和基于位移模态的多损伤定位准则分别计算出有关损伤的初步决策,然后利用信息融合技术中的证据理论方法,将两者的初步决策进行融合,从而获得较为精确的损伤位置估计,最后在已识别出的可能损伤单元的基础上,利用改进的遗传算法进行更精确的损伤位置和程度估计.数值仿真结果表明,采用证据理论进行融合可以获得较为精确的损伤位置估计,比单纯的多损伤定位准则识别效果更好,而采用改进的遗传算法则可以更为精确地判定损伤的程度,优于简单的遗传算法.     

基于遗传优化神经网络算法的桥梁结构损伤识别

当前越来越多的大型桥梁结构安装了健康监测系统,作为桥梁健康监测系统的核心,结构损伤识别技术成为研究热点.基于人工神经网络和遗传算法的优点,提出了一种新的方法——遗传优化和神经网络混合算法(用遗传算法优化神经网络的初始权重,)实现桥梁结构损伤的位置和程度的识别.与传统的人工神经网络算法相比,该方法克服了其易于陷入局部最优的缺点.对工程实例梁的试验数据进行分析和结构损伤状况识别,结果表明,该算法的可行性和可靠性,可以应用于类似结构损伤的识别与评价.     

基于神经网络的桁架损伤识别

基于模态振型,提出一个用于结构损伤识别的参数-柔度差值曲率,并将之作为神经网络的输入向量。然后通过ANSYS建立了一个平面桁架结构的数学模型,用有限元分析计算结果作为神经网络的学习样本和测试样本,对不同程度的模拟损伤使用该神经网络进行识别。通过验证,表明该方法用于损伤识别简单有效。     

基于动力响应互相关的古建筑木结构损伤识别

提出了基于互相关系数和互相关峰值变化率的古建筑木结构损伤识别和定位方法.以随机振动结构的某一测点为参考点,计算其他各测点与参考点的加速度响应之间的互相关函数,将所有的最大值组成互相关峰值向量(Cross-Correlation Peak Vector,CCPV).以两组CCPV之间的互相关系数作为损伤因子对结构进行损伤...