小波方法识别框架结构损伤

小波包分析损伤识别方法首先将结构响应信号分解为小波包组分,然后通过各组分小波信号的变化情况识别损伤。通过3层框架结构的数值分析,模拟结构损伤,判断损伤时刻与损伤位置。分析小波组分信号突变情况,可以识别损伤时刻、损伤位置和损伤程度。     

小波分析在土木工程结构健康监测系统中的应用研究

利用小波分析多分辨率的特点对结构损伤进行在线检测,判定结构损伤位置。在阐述了土木工程结构健康监测系统的组成、监测内容模块的功能及其特点和小波分析进行损伤识别的原理以及结构损伤的多尺度分析的基础上,通过对单层混凝土结构实验台的加速度信号进行小波分析,得到结构损伤的时刻,通过研究信号小波变换的尺度函数确定了损伤的位置,试验表明,该方法具有一定的实用价值。     

移动载荷作用下起重机主梁损伤识别

作为桥式起重机上关键部件,主梁的安全性受到极大关注.以桥式起重机主梁为研究对象,对移动载荷作用下主梁裂纹损伤进行识别研究.首先建立主梁有限元模型,通过生死单元法杀死损伤单元模拟裂纹损伤,利用ANSYS瞬态动力分析法实现移动载荷加载,并将获得的主梁位移信号与解析解进行对比;然后对位移信号差分获取加速度信号,应用小波变换对主梁1/4、1/2、3/4位置的加速度信号进行分解,分析后选择包含损伤信息的高频部分小波系数构建损伤定位系数来实现损伤定位;最后利用损伤定位系数能量的对数构建损伤程度系数,结合模型匹配法,利用三次样条拟合建立损伤程度方程,识别损伤程度.该研究为起重机主梁移动载荷下的损伤识别提供重要理论参考.     

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.     

基于人工神经网络的扬声器故障检测方法

提出了一种基于神经网络的扬声器故障检测方法.通过扫频仪激励扬声器,采集扬声器的响应信号,利用小波包分解的方法时频分析响应信号,得到各频段的能量;对分解后各频段信号的特征能量进行提取,规一化特征能量;把规一化后的特征能量作为人工神经网络的输入,通过BP神经网络对扬声器故障进行分类识别.实验对165个扬声器进行识别,识别率为95.8%.实验结果表明,该方法简便有效,具有实用价值.     

基于卷积神经网络和递归图的桥梁损伤智能识别

为改进目前传统损伤识别方法对桥梁局部小损伤识别能力较弱的不足,提出利用深度学习方法中的卷积神经网络对桥梁损伤进行统计模式识别.根据卷积神经网络对损伤特征向量的需求,将车桥耦合振动下的原始结构响应信号进行小波包滤波和重构,之后通过递归分析获取不同损伤工况的递归图,将其作为新型的损伤特征图像作为卷积神经网络的输入.在此基础上提出基于卷积神经网络和递归图的桥梁结构损伤识别计算流程和方法.对一座连续梁桥进行不同位置和程度的损伤模拟,提取小波包频带能量及递归图等损伤特征向量,并进行基于多种统计模式识别算法的损伤识别.结果表明:与其他特征向量相比,递归图蕴含更丰富的损伤信息;与支持向量机和BP神经网络等传统统计模式识别方法相比,卷积神经网络能够通过逐层智能学习实现更准确的特征自动提取和区分,从而实现损伤位置和损伤程度的更精准识别.     

基于神经网络的加速度时程积分方法

加速度的二重积分是位移,因此利用加速度传感器可以测量位移,但加速度信号积分中存在零点校正和边界条件确定的问题.为了准确地将加速度时程积分成对应时刻的位移,提出了一种利用非线性映射能力很强的BP神经网络建立加速度时程与位移时程之间的关系.通过对样本的学习,BP神经网络将这种非线性映射关系以分布并行的方式存储在网络的联结权矩阵中,从而对样本集进行非逻辑归纳.数值仿真结果和实测结果表明,该方法抗噪声污染能力强,收敛速度快,识别精度较高.     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

大跨度空间网格结构的健康监测系统

针对大跨度空间网格结构健康监测系统中的传感器布置以及损伤识别问题,以凯威特型单层球面网壳为例,首先,定义基于变形能的适应度函数,采用粒子群优化算法布置加速度传感器;其次,根据加速度响应信号,建立时间序列模型(AR模型),根据模型系数的变化,判断损伤存在与否;最后,以AR模型系数为输入,损伤位置为输出,建立BP神经网络,通过BP网络的训练和测试,判定损伤存在的位置.数值模拟结果表明:基于粒子群算法的传感器优化布置方法能够准确获取网壳结构中的关键信息点,有效节省传感器布置数目;基于时间序列分析和神经网络的损伤识别方法可以准确识别网壳结构的损伤及损伤位置.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

采用改进神经网络PID控制的车辆悬架振动仿真研究

为了研究车辆悬架振动模型,创建了车辆悬架平面简图,并根据牛顿定律推导出车辆悬架振动微分方程式。引用BP神经网络PID控制器,对传统粒子群算法进行改进,将改进粒子群算法用于优化BP神经网络PID可知结构。通过MATLAB软件中对车辆悬架位移、速度和加速度进行仿真验证;同时,与BP神经网络PID控制器仿真结果进行比较和分析。结果表明,车辆悬架采用BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较大,车辆整体振动幅度较大;而采用改进BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较小,车辆整体振动幅度较小。采用改进神经网络PID控制车辆悬架,能够抑制路面噪声激励对车辆振动幅度的影响,提高车辆行驶的安全性。     

基于小波和神经网络的石油井架损伤定位研究

针对石油井架单一损伤位置识别问题,结合小波和神经网络分析方法,建立两层BP神经网络,将小波包能量分析得到的归一化能量特征向量作为网络的输入向量,经过网络训练和仿真测试,证明其在识别单一损伤位置时,具有较好的实用性.同时对石油井架相似模型进行了锤击振动试验,说明基于归一化能量特征向量的损伤评价指标可以准确实现石油井架结构损伤位置的定位识别.     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

神经网络在故障诊断中的应用

描述了神经网络的BP算法,探讨了BP神经网络拓扑结构的确定,考察了小波变换和小波分析,论述了故障机理和故障诊断的问题。     

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.     

基于小波神经网络的化工安全评估

鉴于传统神经网络方法解决非线性问题收敛速度慢,易陷入局部最优解的缺陷,本文通过对小波神经网络的结构及学习算法的简要介绍,结合神经网络的自学习能力,提出一种充分利用小波变换时频局部化性质的小波神经网络安全评价方法,通过用小波神经网络评价方法与BP神经网络评价方法对某大型炼油化工厂相应原始数据进行分析、对比,表明该小波神经网络评价方法较BP神经网络评价方法收敛迅速,绝对误差小,预测精度高。     

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。