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.     

基于曲率模态和神经网络的结构损伤识别与仿真

探讨用曲率模态和神经网络对混凝土结构裂缝进行损伤识别和定位的方法.以一矩形截面悬臂梁为研究对象,通过完好结构和损伤结构的有限元分析,获得损伤标识量,输入Elman神经网络进行训练,以损伤位置和损伤程度作为网络的输出参数,进行单处损伤和多处损伤的定位研究.数值仿真结果表明,曲率模态振型对结构的损伤敏感,采用曲率模态和神经网络结合的方法可以同时确定结构损伤的存在、程度和位置,并且可以用于结构多处损伤的检测.该方法对于实际工程结构的损伤识别具有一定的指导意义.     

基于BP神经网络的结构损伤检测

介绍了BP神经网络的学习算法,通过对一个钢筋混凝土简支梁模型进行了损伤数值模拟,提取固有频率作为BP神经网络的输入参数,并应用简支梁损伤前后的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。     

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。     

利用组合模态参数识别结构损伤的神经网络法

采用组合模态参数在有限元模型基础上对结构损伤进行了识别.同时考虑了噪声输入情况下,即存在数据误差时神经网络的损伤识别能力.结果表明,以组合模态参数作为网络输入参数,并通过学习训练所得网络不仅具有理想的损伤识别能力,还具备良好的容错性和鲁棒性.     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析。为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数：即结构损伤前后的频率变化平方和少点模态振型作为输入参数。利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果。     

动力作用下桥梁损伤识别技术研究

本文针对目前在役桥梁存在的种种安全隐患,展开桥梁性能检测和损伤识别技术的研究,以随时了解桥梁的结构性能和安全情况,避免灾难性事故的发生。探讨了遗传算法优化的神经网络在桥梁结构损伤检测中的应用。基于遗传算法优化的一种有效的结构损伤检测,建立评估钢筋锈蚀程度的人工神经网络模型。选择对结构损伤较为敏感的参数作为网络的输入向量,结构的损伤状态作为网络的输出向量,建立损伤训练样本集,利用遗传算法优化神经网络的权值和阈值,进而预测结构损伤程度。     

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.     

基于小波奇异性的梁结构损伤评估方法研究

通过一个简支梁的数值模拟,根据小波奇异性检测原理,利用两种方法对梁的损伤进行诊断,提出了利用Gaus1小波进行梁结构的损伤诊断方法.首先利用Gaus1小波对转角进行小波变换,对简支梁结构的振型求一阶导数,得到转角,再确定损伤位置、损伤程度与Lipschitz指数的关系,并与利用Gaus2小波对振型直接进行小波变换的方法进行比较研究,发现第一种方法在损伤定位、模极大值线的求取方面比后者优越.所提出的Gaus1小波方法可以对实际梁结构进行有效的损伤诊断,这将为小波理论的深入研究提供一种新的思考问题思路和方法.     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

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。     

小波基带宽的变化对结构损伤识别的影响

分析了小波变换在结构损伤检测中的应用 ,证实选择具有不同带宽小波基对检测结果可起到关键性作用 .小波变换可以看作是一组带通滤波器 ,小波滤波器通过多尺度带通和自相关加强特性 ,对结构的动力信号进行实时检测 .利用灵活的多尺度带通小波滤波器组 ,对结构振动信号作滤波分析 ,结构所有的自然频率特性可以同时在时频空间出现 .通过观察不同带宽内振动信号的时频变化来判断结构损伤存在     

基于分形维数的锚杆无损检测BP神经网络模型

笔者将分形维数的分析方法引入锚固系统的无损检测中,指出分形维数的大小是反射波在该小波分解频段能量大小的量度．在研究锚固系统无损检测反射波小波分解分形维数特征向量的基础上,确定了以锚杆反射波的原波维数、原波平均波幅以及小波包分解维数的8个波形分形维数共10个数值作为输入参数,以锚杆注浆密实度为输出参数的非线性BP神经网络预测模型．对三峡工程右岸地下电站试验锚杆进行训练,验证了锚杆密实度BP神经网络预测模型的合理性和可靠性．     

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。     

基于曲率模态差和小波变换的网架损伤识别

采用一种基于曲率模态差和小波变换的损伤位置识别方法,对网架结构中常见的正放四角锥网架、两向正交正放网架、两向正交斜放网架、三向网架和蜂窝型三角锥网架进行了损伤识别,以结构损伤前后的曲率模态差作为小波变换的分析信号,对其进行db3连续和离散小波变换,确定杆件损伤位置。数值分析结果表明,在仅测得一阶模态的情况下,应用曲率模态差和小波变换相结合的方法可以对网架的单个损伤位置和多个损伤位置进行有效识别。