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。     

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。     

基于单元应变模态差和RBF神经网络的网架损伤检测方法

为对网架进行损伤检测提出应用杆单元应变模态差和RBF神经网络相结合的方法。在ANSYS下建立正放四角锥网架和蜂窝形三角锥网架的有限元模型,采用单元应变模态差作为损伤指标对结构进行杆单元的单杆、多杆损伤位置识别;应用RBF神经网络对杆单元损伤程度进行定量判定。分析结果表明该方法可以比较准确地判断网架杆单元的损伤位置和损伤程度,并对实际网架结构的损伤检测具有一定的指导意义。     

桥面板损伤度检测的研究

文中主要阐述运用模态分析技术和神经网络方法结合进行损伤度检测的研究，用损伤后桥面板刚度的衰减来定义损伤度，用结构动侧的固有频率作参数，对已经测出损伤位置的桥梁结构的桥面板进行损伤度的检测，从而验证神经网络检测损伤度的正确性。     

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.     

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，即基于遗传算法一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种经网络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。     

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。     

神经网络法在定量损伤识别研究中的应用

为了探索一种可能的结构损伤在线监测方法,使结构损伤动力识别的研究更具工程实际意义,以工程上常用的截面开口槽形梁为试件,用试验模态分析与神经网络法相结合的方法,研究了位移频响函数指标、应变频响函数指标和模态频率指标在结构损伤定量辨识中的灵敏性。结果证明了神经网络法与试验模态分析技术相结合检测结构损伤的可行性,并指出应变指标对损伤更敏感。此外,指出了对于具有复杂模态的结构无法获取模态的完善信息时,用有限个点、有限个方向的测量数据进行损伤识别是可行的。     

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。     

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PSO的结构损伤检测应用研究

建筑结构损伤前后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BP神经网络的输入参数.针对BP梯度下降算法导致的收敛速度慢和易陷入局部最小的缺点,引入粒子群演化(PSO)算法来优化神经网络各层间的连接权值.首先通过有限元法提取结构固有频率的变化,结合PSO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,PSO的引入,相较于单纯的BP算法,该方法在结构损伤检测中取得更优的识别效果.     

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．     

基于概率神经网络的悬索桥损伤定位研究

概率神经网络(下称PNN)以贝叶斯概率方法描述测量数据,因而PNN可以在有噪声情况下进行结构损伤检测·提出了运用传统PNN和自适应PNN进行结构损伤检测的方法与基本原理,并分别用两种PNN模型进行了悬索桥的损伤定位研究,还讨论了测量噪声对识别精度(IA)的影响·研究发现,运用自适应PNN进行损伤定位效果极大地优于传统PNN,且随着噪声程度的增大,IA减少     

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。     

结构损伤的智能诊断

本文介绍了结构损伤的动力学原理,总结了当前流行的关于结构损伤的神经网络的一般常识,并对结构损伤检测提出了一些有益的建议.     

振动筛裂纹损伤检测及趋势分析

在神经网络辨识模型的基础上,提出了由模型参数的统计学特征对振动筛进行裂纹损伤检测及趋势分析的方法。由实测振动信号建立研究对象的神经网络辨识模型,分析辨识模型的虚拟激励下的响应信号频域特征,并对辨识模型的权值进行统计特性研究,由分析结果可以有效地检测振动筛的结构裂纹。将这种分析方法应用到工业现场振动筛裂纹发展趋势的研究上,取得了良好的效果。     

运用神经网络技术对悬臂结构损伤度检测的研究

文中主要阐述运用模态分析技术和神经网络方法结合进行损伤度检测的研究,用损伤后悬臂板刚度的衰减来定义损伤度,对已经测出损伤位置的悬臂板进行损伤度的检测,从而验证神经网络检测损伤度的正确性。     

基于神经网络的桁架损伤识别

基于模态振型,提出一个用于结构损伤识别的参数-柔度差值曲率,并将之作为神经网络的输入向量。然后通过ANSYS建立了一个平面桁架结构的数学模型,用有限元分析计算结果作为神经网络的学习样本和测试样本,对不同程度的模拟损伤使用该神经网络进行识别。通过验证,表明该方法用于损伤识别简单有效。