基于神经网络技术的结构损伤探测

理论分析表明，工程结构损伤前后的固有频率的变化包含了结构损伤位置和程度的信息，在此理论基础上，构造了改进型BP神经网络的输入参数，分别对一个框架模型和一个桁架模型进行了损伤数值模拟计算，首先提取结构固有频率的变化，对神经网络进行训练，然后分别对结构的损伤位置和损伤程度进行识别，计算分析结果表明，该方法在结构损伤检测中具有较好的识别效果。     

基于曲率模态和BP神经网络的简支梁的损伤识别

通过BP神经网络对简支梁的损伤位置和损伤程度进行了研究。文中首先采用有限元仿真软件ANSYS计算得到不同损伤情况下结构的前两阶固有频率并计算指定点的曲率模态值,并以此为输入参数建立用于识别简支梁损伤的BP网络,最后利用LM算法训练网络来进行损伤检测。结果表明：该方法能有效地对损伤位置及损伤程度进行识别,且对损伤程度进行识别的精确度较高。     

钢板结构损伤的自适应神经网络识别

探讨了动量系数和学习率自适应调整的神经网络算法.以反映结构损伤位置和程度的固有频率作为神经网络输入的特征参数,利用有限元法对钢板结构裂纹损伤位置和程度进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤识别问题进行了定性定量研究.结果表明,采用自适应神经网络技术对钢板等工程结构进行损伤特征识别分析是可行的.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于神经网络的简支梁损伤检测研究

理论分析表明结构损伤前后的固有频率的变化包含了结构损伤位置和程度的信息,在此理论基础上。对一个简支梁模型进行了损伤数值模拟。提取固有频率的变化并采取合适的方法构造改进型BP神经网络的输入参数,并应用简支梁损伤前后的模态实验数据输入训练好的神经网络来判断结构损伤,检测表明。该方法在结构损伤检测中具有较好的应用前景。     

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。     

剪切型框架结构损伤的两步检测方法

针对剪切型框架结构提出了分步损伤检测的方法．通过包含较大测量误差的结构一阶振型斜率的变化来判别损伤位置，损伤位置的判别可大大减少待识别参数的数量．理论推导证明，当剪切型框架结构发生损伤时，损伤单元振型斜率的变化大于零，由此可判别损伤位置．在判别出损伤位置的基础上，利用能够较准确获得的结构前几阶固有频率作为神经网络的输入，建立损伤程度识别神经网络，进行结构损伤程度的识别．数值分析表明，该方法能够有效实现剪切型框架结构的损伤检测，并具有很高的计算效率和计算精度．     

基于L-M算法优化的GA-BP网络在岩石高边坡损伤识别中的应用

边坡的失稳破坏往往是由岩体损伤导致的,研究边坡岩体的损伤识别对于工程实践具有重大意义,而基于BP神经网络的损伤识别是边坡损伤识别的有效方法之一.本文针对传统BP神经网络在边坡损伤识别中存在的问题,首先利用遗传算法（GA）克服BP网络易陷入局部极小的不足,然后利用Levenberg-Marquardt （L-M）算法在解空间里对BP神经网络进行精调,搜索出最优解.结合优化后的GA-BP模型以及有限元计算结果,提取边坡损伤前后的频率值来实现损伤位置和程度的识别.经验证,改进后的BP网络有效提升了识别边坡损伤的性能,对岩石高边坡损伤识别方法的研究有理论指导意义与参考价值.     

基于PSO-EO算法优化的BP神经网络研究

PSO算法优化的BP神经网络解决了其收敛速度慢或不收敛等缺点,但PSO算法本身却存在早熟和局部收敛的问题。为此引入EO算法,用EO算法与PSO算法相结合对BP神经网络进行改进。通过实验表明:EO算法与PSO算法结合优化的BP算法具有良好的收敛性和较高的预测精度,其性能优于传统的BP算法及PSO优化的BP算法。     

基于全息视觉测量的钢混组合结构损伤识别试验研究

对一片钢混组合试验梁依次开展不同损伤工况下的加载试验,利用全息变形视觉测量试验装置获取试验梁全息图像信息数据,基于结构全息边缘轮廓线提取算法计算分析全息图像信息数据以获得试验梁在不同损伤工况下的全息变形.以结构初始全息变形数据和结构目标全息变形数据作为输入,运用改进的BP神经网络算法反演试验梁刚度矩阵的退化,求解单元刚度矩阵折减系数的全局最优解,并以结构单元刚度矩阵折减系数作为损伤表征因子,实现对目标结构损伤状态的识别.试验结果表明:基于结构全息变形数据和BP神经网络的结构损伤识别方法对损伤具有较强判别性,试验梁不同程度、不同位置损伤工况的测试识别结果与试验结果基本一致,试验梁损伤位置及程度平均识别精度为92.6%,为后续研究奠定了基础.     

基于Lamb波混合成像算法的薄板结构损伤定位

针对传统椭圆法和双曲线法对结构损伤定位不精确的问题,提出了一种基于Lamb波的混合成像算法。该算法将椭圆法和双曲线法相结合,在使用相同数量传感器的条件下提高对信号数据的利用率,从而提高损伤定位的精度。通过有限元仿真对该算法进行验证,即建立一个无损伤模型和多个有损伤模型,模拟压电传感器以双面同相的激励方式获得单一模态的Lamb波,从而获得损伤的反射信号。用混合成像算法和传统椭圆法对仿真模型分别进行损伤定位。成像结果对比表明,混合成像算法对损伤的定位更精确,而且在结构有多处缺陷的情况下能检测到传统椭圆法无法识别出的损伤。     

智能优化算法在复杂模型寻优中的研究

针对建立的钢板轧制过程中的中厚板凸度预报多参数复杂模型,分别采用BP算法、BP改进算法、混沌算法和粒子群算法进行寻优并对结果进行比较。实验结果表明,该模型切实可行,在模型优化中,混沌算法和BP算法寻优速度慢,精度不高,粒子群算法寻优速度和精度均有相应提高,BP改进算法寻优速度和精度均为最优。     

基于PSO算法的结构损伤检测研究

结构损伤检测问题常常可转化为数学上的约束优化问题。采用粒子群算法（PSO）求解约束优化问题。可求解结构损伤检测问题。首先介绍基本粒子群算法，然后建立结构损伤检测问题的数学模型，采用悬臂梁单损伤和多损伤的数值仿真研究，验证了粒子群算法求解结构损伤检测问题的可行性，最后针对实际结构振型测试时振型的非完备性，直接利用非完备振型，求解损伤检测问题，数值仿真结果表明，利用非完备振型，仍可得到较好畴检测结果。     

基于遗传算法的两阶段铁路桥梁结构损伤识别

采用智能优化算法对结构进行损伤识别时,通常假定实际损伤位置和有限元模型单元划分形式一致。为研究当两者之间存在差异时,对其识别效果的影响,提出了一种新的损伤识别方法。对传统遗传算法中的选择、交叉及变异3种算子进行了改进,并引入灾变和邻域搜索机制。通过一个工程算例对不同损伤工况进行多次独立重复计算,对算法的稳定性和收敛速度进行了分析。此外,还讨论了噪声、测点数目和列车速度对识别结果的影响。结果表明：即使损伤位置与有限元模型的单元划分形式不同,所提方法也能准确定位损伤位置,但会在一定程度上影响定量结果;所提方法收敛速度快,计算效率高于传统的一次识别方法。     

基于微粒群算法的桁架频率拓扑优化

研究桁架结构频率拓扑优化的微粒群算法。采用混合罚函数法分开处理结构固有频率约束和其他约束条件,既保证所有约束能够严格满足,又提高了微粒群算法的收敛速度。由模态识别系数判断出虚节点自由度产生的局部振动模态,排除其对应的频率,得到结构真实的固有频率。算例计算结果表明,无论是频率极值优化问题,还是具有频率约束的结构优化问题,联合使用微粒群算法和模态识别系数都可以很方便地获得桁架最优截面和拓扑构型。     

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。     

基于随机权重混沌粒子群反向神经网络算法的RFID定位算法

为了提高射频识别 (radio frequency identification,RFID)定位系统的准确性与可靠性,并改善反向传播神经网络算法在RFID定位算法中收敛速度慢、精度低、稳定性差的缺点,提出一种基于随机权重的混沌粒子群优化反向传播神经网络定位方法 (random weight chaotic particle swarm optimization back-propagation neural networks,RW-CPSO-BP)。在运用RW-CPSO-BP算法对标签进行轨迹预测过程中,首先对3个阅读器接收到的标签接收信号强度指标值 (received signal strength indicator,RSSI)先用均值滤波进行预处理,然后再进行归一化处理,将处理过的数据分为两组在RW-CPSO-BP模型中进行训练,从而得到误差曲线。经过RW-CPSO-BP优化过权值和阈值的BP模型能较好地定位移动标签,而且克服了陷入局部最优解的问题。仿真结果表明,RW-CPSO-BP算法收敛速度和稳定性明显高于BP网络,误差也较BP网络低,更加适合用于进行复杂环境下的RFID定位。     

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.