框架结构缺陷识别的小波信息熵方法

为有效检测框架结构缺陷,将小波分析和信息熵理论相结合,提出了一种基于小波信息熵的框架结构损伤缺陷以别方法。该方法首先对框架结构振动响应信号进行多分辨率分解,然后利用小波信息熵提取结构损伤特征信息,得到表征结构状态的信息熵指数,最后识别出框架结构缺陷的位置。并在一个三层结构框架模型上进行了仿真分析,分析结果表明:所提出的方法能在被测对象数学模型未知情况下,准确有效地对框架结构损伤进行识别与定位。     

几种基于灵敏度的损伤指标的比较

给出了基于灵敏度理论的损伤检测的33种指标.以一个三层的钢框架结构为例,比较3种损伤指标对的损伤位置的识别和对损伤程度的评估结果.提出的改进的损伤指标识别效果较好,精度较高,更适用于空间结构的损伤检测.     

基于深度学习的框架结构损伤识别研究

卷积神经网络模型和长短期记忆网络模型是两种应用广泛的深度学习网络模型,为探究两种模型在结构损伤识别应用中的效果,采用两种网络模型对钢框架结构的损伤识别进行研究.以3层框架结构为例,选用削减单元自身动力特性后的模态应变能差作为损伤指标,分别输入到两种神经网络模型中,对梁柱单元的损伤程度识别和损伤位置识别进行分析.结果表明：两种网络模型均能很快掌握结构单元的动力特性,在学习了框架结构的模态特征后,均能够精准地识别出损伤单元的位置,同时能较为准确地预测出单元的损伤程度,验证了两种网络模型在以模态应变能差为指标的损伤识别中具有较好的适用性.对比两种网络模型的表现,发现卷积神经网络具有较高的训练效率和较好的泛化性能.     

基于小波包样本熵和支持向量机的框架结构损伤识别

基于小波包样本熵和支持向量机原理,研究了钢框架结构的损伤定位识别方法.分析在冲击载荷作用下框架结构的动力响应,对加速度信号进行小波包分解,建立小波包样本熵的损伤指标,采用支持向量机原理,识别结构损伤位置以及损伤程度.研究表明,该方法能够利用单一的传感器,实现理想的识别效果,且具有一定的适用性和鲁棒性,在60 dB的噪声水平环境中损伤定位识别结果在90％以上,在40 dB的噪声水平环境中,损伤程度识别结果在90％以上,框架实验模型研究表明,柱的损伤识别精度要高于梁的损伤识别精度.     

框架结构损伤识别的两步法

直接将框架结构的损伤定义在梁柱构件上,提出了一种识别一般框架损伤参数的动力方法,该方法分两步进行：第1步,利用结构的前几阶动力模态,通过对代数特征值反问题中一定带宽矩阵的识别方法加以改造,识别框架楼层侧移刚度矩阵;第2步,应用线性归化方法,由所识别的结构刚度矩阵,识别框架梁柱的损伤,算例分析表明,这一方法是可行的。     

斜拉桥结构施工状态下连续小波变换损伤识别方法

以在建的广东李家沙特大斜拉桥为工程背景,选取双悬臂施工状态下的结构为分析对象,利用MI-DAS软件分析获得结构的各阶振动模态,将之作为输入信号导入MATLAB中,进行Gaussian小波变换用于结构损伤识别.对不同位置与程度结构损伤的识别效果进行了讨论,对各阶模态及各类型模态的损伤识别效果进行了比较,并考虑了随机噪声的影响.研究结果表明,曲率模态对结构损伤较为敏感,损伤识别的效果较好.另外,损伤识别效果受一定边界条件的影响.但总的来说,曲率模态的连续小波变换信号能够快速、可靠地识别出施工过程中结构的损伤位置与损伤程度.     

损伤识别系统中小波包信号特征量的提取

基于结构损伤识别系统,构建了耦合神经网络模型,阐述了小波包分析技术的原理和方法,对小波基的选取原则进行了分析和探讨,确定了小波基函数DbN中的N以及小波包分解尺度j;从模式识别的观点对结构损伤识别进行了分析,分析了小波包信号能量特征提取的方法。利用小波包多分辨率的特点,提出了以小波包信号成分能量特征向量为结构损伤识别的损伤特征指标,并在实验中得到了良好的识别效果。     

基于Wi-Fi/气压计组合楼层定位

针对目前大多数楼层识别方法由于未考虑楼梯间的活动识别,在楼梯处楼层定位结果来回切换的问题,本文提出了一种基于Wi-Fi/气压计组合的楼层定位方法。在平面楼层离线建立指纹库,并用基于密度聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）算法对指纹库进行聚类,区分不同区域的信号特征,在线接收信号与指纹库进行匹配识别楼层。在楼梯间用气压计进行上下楼活动识别,活动识别融合了步频检测,以应对突然运动状态的改变导致的误判。结果显示,在平面楼层本文的方法较基本楼层识别方法准确率提高;在楼层过渡部分能有效识别上下楼活动,解决了楼梯间楼层来回切换问题,融合步频检测后能有效剔除人运动状态改变导致的误判。实验表明本文的楼层定位方法能有效应对复杂环境的楼层定位需求,且完备性较强。     

移动载荷下桥梁速度响应小波分析多裂纹识别

讨论了利用简支梁中点的速度响应进行结构多损伤检测的可行性。首先利用有限元计算了移动载荷作用下桥梁中点的位移和速度响应信号,并比较了梁中点动态响应及小波变换对损伤的敏感性。数值研究表明,损伤对速度响应"Gaussian-5"小波分析较敏感。其次,利用此方法可以较方便地识别出损伤位置,并将小波系数局部极大值作为损伤指标(DI)来估计损伤程度。最后,讨论了不同噪声水平、载荷速度对损伤识别结果的影响,表明该方法具有较好的噪声容忍度;当提高载荷速度时,边界影响增强,不利于损伤定位。     

基于Wi-Fi/气压计组合的楼层定位

针对目前大多数楼层识别方法由于未考虑楼梯间的活动识别,在楼梯处楼层定位结果来回切换的问题,提出了一种基于Wi-Fi/气压计组合的楼层定位方法。在平面楼层离线建立指纹库,并用基于密度聚类(density-based spatial clustering of applications with noise,DBSCAN)算法对指纹库进行聚类,区分不同区域的信号特征,在线接收信号与指纹库进行匹配识别楼层。在楼梯间用气压计进行上下楼活动识别,活动识别融合了步频检测,以应对突然运动状态的改变导致的误判。结果显示,在平面楼层本文方法较基本楼层识别方法准确率提高;在楼层过渡部分能有效识别上下楼活动,解决了楼梯间楼层来回切换问题,融合步频检测后能有效剔除人运动状态改变导致的误判。实验表明本文的楼层定位方法能有效应对复杂环境的楼层定位需求,且完备性较强。     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于小波包分析的结构实时损伤报警数值研究

研究了基于小波包分析的结构实时损伤报警技术．利用小波分析优良的时一频局部化特性对结构振动信号进行精细分析，从而能实时地实现结构损伤报警．以简支梁裂缝为例，将环境振动信号采用小波包分解后得到小波包能量谱，采用基于Monte-Carlo方法计算得到的能量谱极值指数和变异指数2个指标作为筒支梁裂缝损伤报警的判据．该技术不需要对整体结构进行计算分析，只需要环境振动信号．计算机数值模拟表明该技术能较为敏感地发现简支梁的微小损伤，从而证实了该技术的可行性．     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法.通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中.由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析.实验结果表明用小波包理论进行故障检测是可行的.     

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，本文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%，表明本文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，该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.     

煤矿通风机故障诊断的小波包方法

针对常用的时域和频域分析在诊断通风机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,提出基于小波包分解的煤矿通风机故障诊断方法.在分析通风机故障特征的基础上,利用时频两域都具有表征信号特征能力的小波,对采集来的通风机振动信号进行小波包分解,利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型.经实际验证,小波包分解能将故障信号有效的划分到不同的频段内,而且时域和频域局部化特性好,能有效的诊断出通风机故障,具有良好的理论意义与工程应用价值.     

双模噪声背景下多阈值小波包在信号消噪中的应用

针对一类非高斯噪声——双模噪声信号进行消噪时,传统小波变换和小波包变换在选取恰当阈值准则及阈值量化时存在困难,通过详细分析双模噪声信号结构及频率分布特征,在将小波包分解频带按照频率顺序排列且通过比较最底层子空间节点能量大小的基础上,提出一种将频带进行多分段的多阈值小波包消噪方法.实验结果表明:在双模噪声且信噪比相同情况下,该方法比传统的多尺度小波软阈值、小波包自适应阈值消噪效果都优越,是一种非常有效的信号消噪方法.     

离散正交小波包及其在噪声抑制中的应用

研究有限长序列的小波包处理和噪声抑制的方法,方法用正交共轭滤波器构造有限维内积空间的正交值和分解及有限长离散小波包,分析了噪声的小波包分解系数的特性,并提出小波包变换域降噪的方法。