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.     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

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.     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

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MSB和CNN的弧齿锥齿轮损伤故障识别

针对弧齿锥齿轮损伤程度识别率低的问题,提出一种基于调制信号双谱和卷积神经网络的弧齿锥齿轮损伤程度识别方法.采集弧齿锥齿轮在正常、轻度损伤及中度损伤3种状态下的振动加速度信号,分别计算其调制信号双谱特征图,构建卷积神经网络,并将调制信号双谱特征图作为输入样本训练卷积神经网络.试验结果表明:本文方法可以有效地提高弧齿锥齿轮损伤程度的识别率,平均识别准确率达99.91%.     

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.     

基于动力特性灵敏度解析代数算法的结构损伤识别:理论与数值分析

基于结构动力特性灵敏度解析解,建立了结构损伤方程组代数表达式,该损伤方程组通过矩阵运算实现,简洁紧凑,有效地避免模态截断问题.同时,基于经典的随机子空间模态算法(stochastic subspace method,SSI)实现结构损伤前与损伤后的模态参数识别.将结构损伤前后模态参数识别结果代入损伤方程组,可以检测出桥梁结构损伤的位置和损伤的程度,该方法无需迭代.利用简支梁桥算例对该模态参数识别方法和损伤识别方法进行了验证和分析.数值计算结果表明,在噪声水平较低地工况下,本文提出的方法对单损伤梁和多损伤梁均能实现损伤定位和损伤程度的判别,计算效率较高.