基于模态柔度矩阵变化指标的结构损伤预警方法

根据结构损伤后其柔度增大的特征,在与实测自由度相应的柔度矩阵基础上,提出了基于模态柔度矩阵变化的损伤预警指标FI 以及运用该指标对实际结构进行损伤预警或异常检测的步骤.损伤预警指标的敏感性分析包括不含噪声和含噪声情况.该指标的损伤报警阈值可依据结构在无损状态时由健康监测系统或定期检测所得到的实测模态数据以及结构有限元模型的模态分析结果计算得到.以润扬长江大桥斜拉桥为背景的数值模拟分析结果显示:无论有无噪声的影响,指标FI 都随着斜拉桥拉索或主梁损伤程度的增加而增大,且大于相应的损伤报警阈值. 在工程结构的使用过程中,可根据实测数据长期、连续地计算并观察指标FI的大小及其变化情况,在FI 值超过报警阈值时给出报警信号.     

基于小波包能量谱的大跨斜拉桥拉索损伤预警方法

为了实现对大跨斜拉桥拉索损伤的有效预警,将小波包分析应用于结构损伤预警中.在基于小波包能量谱的结构损伤预警理论的基础上,提出了大跨斜拉桥拉索损伤的预警方法,并以润扬大桥斜拉桥为例,研究了这种方法的损伤适用性和损伤敏感性.数值分析结果表明,与频率等动力参数相比,采用基于小波包能量谱的结构损伤预警指标能更有效地发现大跨斜拉桥拉索的早期损伤,且通过对多测点损伤预警指标的分析与比较能初步实现拉索的损伤定位.可见,该结构损伤预警方法具有实用性,对结构损伤定位亦有帮助.     

基于时间序列分析与高阶统计矩的结构损伤检测

基于时间序列分析,提出一种有效检测结构非线性损伤的方法.在分析基于AR模型残差均方差指标的基础上,指出传统方法存在损伤信息泄漏的缺陷,特别是对于非线性损伤检测.为提高传统方法损伤检测结果的可靠性,提出采用残差的高阶统计矩———偏度和峰度作为传统指标的补充,提出了3个指标的算术平均和几何平均共6种综合指标,并应用模糊聚类分析实现结构损伤检测.利用考虑了环境因素影响的三层建筑结构模型的非线性损伤实验数据验证了提出的方法.研究表明,6种综合指标对非线性损伤检测的可靠性均高于传统方法,其中以均方差和峰度的几何平均指标检测效果最佳.     

基于RBFNN钢桁架模型桥的损伤预警研究

损伤预警是结构损伤检测较为关键的一步,目的是判断结构是否发生损伤并发出警告信号.已有的损伤预警方法大多数采用BP网络,并且没有考虑测试噪声的影响.因此,提出采用一种混合算法的径向基神经网络(RBFNN)作为损伤预警系统,结果表明:RBFNN能显著判别损伤是否出现且预警效果要明显优于BP神经网络,更适合作为判断损伤是否出现的预警系统.     

润扬大桥斜拉桥结构安全评估的有限元建模与修正

通过对润扬长江公路大桥斜拉桥的有限元建模和模型修正过程,探讨了大跨桥梁结构以损伤预警、损伤识别与安全评估为目标的有限元建模策略.根据斜拉桥桥面系的特点和安全评估的要求,建立并修正了三维精细有限元模型,动力特性分析结果与实测结果的对比证实该有限元模型的正确性和可靠性.探讨了正交异性桥面系的有限元模拟方法,并以损伤预警与损伤识别为目标建立了简化有限元模型.与精细模型的动力特性对比表明,该模型可作为结构损伤预警与损伤识别分析的有限元模型.     

基于振动模态小波变换模极大的结构损伤检测

给出了将小波奇异性检测原理应用于结构损伤检测的方法:对结构的模态振型进行离散小波变换,根据小波变换模极大诊断结构的损伤位置;利用BP神经网络模拟多个尺度下小波变换模极大与损伤程度之间的非线性关系,根据网络的输出诊断结构的损伤程度.为了检验该方法的有效性,以某简支梁损伤检测为例进行了数值模拟,结果表明,利用离散小波进行结构损伤检测,无需计算Lipschitz指数,而且精度可满足工程要求.     

结构损伤定位中模态应变能法的改进

针对现有模态应变能法对结构有限元模型精度要求较高的不足,引入单元定位矩阵,对其进行了改进.改进后的方法损伤指标的构建不需要结构损伤前单元刚度矩阵,降低了对结构有限元模型的精度要求,并避免了由此产生的二次误差.为验证方法的有效性,利用简支梁有限元模型数值模拟了两种典型损伤工况,结果表明,改进后的方法提高了损伤定位的识别精度,并且计算简便,有望用于实际工程中.     

遗传算法–神经网络方法的结构损伤识别

应用人工神经网络技术,提取结构的固有频率的变化为特征参数,建立结构损伤识别模型,提出用遗传算法来调整神经网络的权值,并对一个框架模型进行了损伤数值模拟计算,即基于遗传算法-神经网络方法的结构损伤识别的研究。该方法弥补了传统的神经网络 BP 网络收敛速度慢,易陷入局部极小点等缺陷. 结构表明,该方法具有收敛速度快和识别精度高的特点。     

一种改进解析冗余度的损伤识别方法

提出一种采用无损指标和损伤指标相结合进行损伤识别的改进解析冗余度方法.该方法通过剔除求解方程组中与损伤单元相关的方程,补充与损伤单元无关的方程,构造出新的求解方程组进行求解.在新模型中,与损伤单元无关的约束条件构成无损指标,相关的约束条件则构成损伤指标.同时,采用结构无阻尼振动方程建立约束满足问题模型,提出了改进解析冗余度方法在结构动力测试方面的理论.通过数值算例验证所提方法在结构静动力方面单、多损伤识别的有效性,也证明了该方法在一定数据误差及模型误差下的适用性.最后,设计了钢梁静、动力试验.试验结果显示,所提出的方法能够定位结构较小的损伤,并且损伤指标较为明显.该方法在梁式结构的损伤识别和安全评估中具有一定的工程实用性.     

基于振型参数的结构损伤检测研究

近年来对结构的损伤检测方法较多,本文利用有限元分析软件MSC/Patran&Nastran对简支梁结构进行模态分析。根据结构损伤前后的振型参数变化,用一阶振型比、振型曲率、振型曲率差和一阶振型曲率比等指标对结构进行了损伤检测的数值研究,分析结果表明几个指标对损伤比较敏感,对结构损伤检测具有一定参考价值。     

桥梁健康监测中的损伤特征提取与异常诊断

针对桥梁健康监测的应用 ,提出了一种基于统计模式识别技术的结构异常诊断方法 .由正常结构实时监测动态响应形成状态判断的数据基 ,通过序列相似分析将未知状态结构的响应信号与正常结构数据基进行环境/运营条件归一化 ;然后根据动态参数模型残差分析提取结构损伤特征 ,进而通过统计分析进行结构异常诊断和损伤定位 .与基于模态频率变化的方法相比 ,该方法具有更高的损伤识别能力 ,并能较好地克服实测数据离散性和环境与运营条件影响带来的困难 .通过三跨连续梁的数值试验验证了该方法的有效性     

基于小波变换与神经网络的结构损伤检测

对BP网络和小波分析理论做了简要的概述,并给出了其应用于结构损伤检测的方法．将固有频率进行归一化处理,作为神经网络的输入参数进行结构损伤位置的检测,然后利用小波包技术对损伤结构的振动信号进行分解,求出各频带内的能量作为网络输入参数,进行损伤程度的评估,悬臂梁损伤诊断与实际损伤情况比较结果表明,该方法合理、有效,可用于实际结构的损伤检测。     

小波奇异性在钢结构损伤检测中的应用

根据小波奇异性检测理论,以应变能的损伤信号为结构损伤指标,分别以悬臂梁结构、平面桁架结构和空间网架结构为例进行数值模拟,将原始损伤信号和经过小波变换后的损伤信号进行对比,结果证明采用该方法不但对单一损伤而且对多损伤均能有效地识别出结构的损伤位置,表明了该方法的可靠性和实用性。     

基于压电传感器的纤维陶粒混凝土冻融损伤检测

针对纤维陶粒混凝土低温下受到冻融损伤导致影响结构安全性问题,基于压电陶瓷传感器进行损伤检测。利用压电传感技术对冻融后的纤维陶粒混凝土试件进行检测,获得不同冻融次数下的应力波信号。当冻融次数增加,试件相对动弹模量和抗弯强度下降,压电陶瓷检测到的应力波信号幅值相应减小,基于应力波的衰减,采用小波包能量分析法将其转化为损伤指数,与冻融试验评价指标损伤程度和抗弯强度损失率进行拟合,吻合度较高。结果表明,纤维陶粒混凝土损伤指数与冻融损伤程度和抗弯强度损失率相关性较强,该纤维陶粒混凝土冻融损伤无损检测方法具有良好可行性。     

一种基于实测模态参数的结构损伤诊断方法

本文提出了一种利用实测结果固有频率与振型诊断结构损伤大小和位置的方法，并提出了一种能抑制测试误差对诊断准确性影响的正则化技术求解质量和刚度损伤诊断方程，以三根模型的损伤诊断实例说明了本方法的有效性。     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于塑性损耗的超高层建筑结构抗震性能分析

基于能量分析原理提出了一个建筑结构的塑性损耗指标,即结构的塑性损耗能在总输入能中的比例,用来衡量建筑结构在地震载荷作用下的实际损伤程度.通过有限元软件ABAQUS运用非线性动力弹塑性分析方法分析了一个典型框架—核心筒超高层结构.计算了该结构在同一地震波不同地震强度下的塑性损耗指标、构件和层的塑性损耗能分配,以及在不同地震波同一地震强度下的塑性损耗指标、层塑性损耗能分配;模拟了该结构相应的损伤破坏分布情况.两种方法表征的结果趋势一致,表明结构的塑性损耗指标和塑性损耗能分配可用来衡量结构整体和局部塑性损伤破坏情况.     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.