基于特征灵敏度的Benchmark结构损伤诊断

为准确地评估结构的健康状况,提出了一种两阶段损伤诊断方法.引入柔度差值斜率的概念确定结构可能出现损伤单元的位置,采用基于二阶特征灵敏度的方法确定可能损伤单元的损伤程度.应用该方法对由国际结构控制协会与美国土木工程学会(IASC-ASCE)提出的健康监测Benchmark结构进行了分析.结果表明,两阶段损伤诊断方法能够准确地定出可能损伤单元的位置与损伤程度,识别结果与真实的损伤接近,说明该诊断方法是有效的.     

钢框架模型结构的损伤诊断

提出了一种基于结构振动特性的两阶段损伤诊断方法,先由基于柔度矩阵的损伤定位技术确定可能损伤的单元位置,然后采用二阶特征灵敏度分析法对其损伤程度进行估计,对一两层空间钢框架模型结构进行了模拟损伤试验研究,采用环境与力锤脉冲两种激励方式,考虑了4种损伤模式、损伤诊断的结果表明,该方法能够有效地识别出结构损伤单元的位置与严重程度．     

基于不完备静态数据的结构损伤两阶段识别方法

在结构损伤识别中,由于实测数据有限而待识别参数过多,往往导致传统的结构损伤识别方法判断损伤位置不准确或损伤程度识别误差较大,从而限制了其在复杂结构中的应用.将基于静态应变能的损伤定位指标和基于有限元缩聚法的损伤程度计算相结合,提出了一种两阶段的结构损伤识别方法.该方法利用损伤定位指标对结构可能的损伤位置进行定位,在确定可能损伤位置的基础上,利用模拟退火算法求解损伤状态方程,从而确定损伤程度.为验证该方法的有效性和可靠性,分别对5单元超静定、13单元静定和10单元超静定平面桁架的损伤识别进行了数值模拟.结果表明,该方法不仅可有效地识别出结构的损伤位置和程度,而且对测量噪声具有较强的鲁棒性.     

基于分级遗传算法的结构损伤识别方法

提出了一种基于遗传算法的利用不完整振动数据识别结构损伤的新方法，该方法首先扩展不完整的振型并利用单元能量熵差比确定结构损伤的大致位置，然后采用二级搜索策略，借助遗传算法确定结构损伤的程度，数值计算结果表明，当可能的损伤区域较大时，本方法较直接搜索策略更能有效地确定结构损伤的程度。     

基于敏感模态单元应变能法结构损伤识别

根据结构损伤前后特征值变化率选择对损伤单元应变能变化灵敏度较高的模态,建立一种高效的并具有较好鲁棒性的结构损伤识别的方法.从结构振动方程出发,推导结构损伤前后特征值变化率和应变能变化的关系式,建立一个由特征值变化率、单元损伤因子、单元损伤灵敏度因子以及单元损伤修正因子组成的结构损伤识别方程.应用单元损伤修正因子建立结构的损伤定位指标,并应用结构损伤识别方程式推导出单元损伤程度因子的解析表达式.应用本方法对一新型防浪提结构进行单一处损伤和多处损伤的损伤位置识别和损伤程度识别,最后,对本文提出的损伤识别方法的抗噪声性能进行测试.研究结果表明:本方法具有较好的鲁棒性,并且识别结果具有较高的精度,表明本文提出方法具有高效性.     

基于小波分析和遗传算法的结构损伤诊断

提出了小波-遗传算法的概念,建立了一种既能识别结构损伤位置、又能确定损伤程度的小波-遗传算法。首先,以有限元分析求解损伤结构振型模态为基础,用db1小波做连续小波变换,由小波系数模极大值识别损伤的位置。然后,以单元刚度的折减系数为遗传算法的优化变量,用振型和频率的误差函数加权来构造目标函数,并通过损伤位置的确定来简化目标函数的变量,再用遗传算法对目标函数进行优化,从而确定结构的损伤程度。通过对一简支梁进行数值模拟分析,计算结果表明,提出的方法不仅能够有效识别损伤的位置,而且能够准确识别损伤程度。     

基于改进均匀设计表框架结构损伤识别方法与实验验证

为对框架结构柱破坏进行无损识别,提出一种基于改进均匀设计表确定结构损伤样本数据库,使用神经网络与平面单元模态应变能变化率进行损伤定位和程度识别的方法。提出应用正交设计优化均匀设计,以解决均匀设计试验点过少的缺陷。该方法以平面单元模态应变能变化率作为损伤指标,采用改进均匀设计表,选择具有代表性的损伤工况作为广义回归神经网络(general regression neural network,GRNN)的训练样本,对损伤位置进行识别;在确定损伤位置的前提下,利用径向基(radical basis function,RBF)神经网络对损伤程度进行识别。通过分步方法确定框架柱构件的损伤位置与损伤程度。数值模拟与试验验证了所提出方法的有效性。平面单元模态应变能变化率识别指标克服了空间结构模态振型不完备的缺陷,两步识别法避免神经网络训练时不收敛、趋于局部最小值等缺陷。该方法可用于框架结构柱损伤的位置确定和损伤程度识别。     

基于有限元模型和模态参数的损伤识别

本文从特征值问题出发，结合结构系统的有限单元模型并引入单元损伤因子，导出了求解单元损伤因子的方程，从而可以确定结构的损伤位置和损伤程度。利用简支梁进行了数值模拟，建立了简支梁的有限单元模型，用不同单元弹性模量的降低来模拟各种不同的损伤工况，并对每种工况进行了损伤位置和损伤程度识别，数值模拟结果同实际情况吻合很好。     

框架结构损伤识别的单元刚度矩阵分解方法

通常情况下框架结构单元截面惯性矩和截面面积的损伤程度不是线性比例关系,所以单元的损伤程度不能由损伤系数直接乘以刚度矩阵来表征,所以为此提出一种框架结构损伤识别的单元刚度矩阵分解方法。首先通过构件单元刚度矩阵分解重组得到新的单元刚度矩阵形式。然后推导了结构整体刚度矩阵的集成过程,建立了以各单元的截面参数为未知变量的结构损伤分析模型。最后将测得的结点位移信息带入到分析模型中,求解得到结构中每个构件的截面参数,实现了构件的损伤定位和损伤程度定量分析。对于结构中存在损伤的构件,无论是单一构件还是多个构件,此方法都可以精准的识别出损伤位置和损伤程度。     

空间钢框架支撑结构损伤定位分析

提出了一种基于结构振动特性的损伤指标定位方法,对一空间复杂模型结构进行模拟损伤定位分析,考虑了2种损伤状态7种损伤模式,采用环境激励方式,利用有限的测试信息对不同的损伤模式进行分析,结果表明,将损伤指标同结构自身特性、识别的模态参数结合起来综合考虑,能够对空间复杂结构可能损伤的位置给出合理的估计．     

基于IPSO—BP神经网络的结构损伤识别

为了准确评估结构健康状况．将改进的粒子群算法与BP算法有机结合来训练人工神经网络,并用于结构损伤识别．以国际结构控制协会与美国土木工程学会（IASC-ASCE）提出的健康监测第二阶段Benchmark模型结构为例．对4种不同损伤模式进行了损伤定位．研究结果表明,在模型误差、测量噪声等因素的影响下,该方法能够取得令人满意的损伤识别结果．     

基于改进粒子群算法的损伤检测数值仿真研究

结构损伤检测在数学上常转化为约束优化问题．首先介绍了粒子群算法（PSO）的基本理论，并在分析传统粒子群算法容易陷入局部极小原理的基础上，提出了旨在增强粒子群算法后期粒子摆脱局部极小能力的改进粒子群算法（IPSO）．5个常用测试函数的测试结果表明，改进粒子群算法的性能优于传统粒子群算法．最后通过两层钢框架多种损伤工况的数值研究，进一步验证了改进粒子群算法的优越性及其应用于损伤检测领域的可行性．     

基于子空间旋转算法的实桥损伤识别

子空间旋转算法就是基于结构模型参数的损伤识别方法之一. 子空间旋转算法基于结构的有限元模型, 利用矩阵变换的方法, 将损伤位置和损伤程度问题区分开来, 实际应用表明, 只需利用一阶频率和振型, 就可以识别桥的主要损伤位置和损伤程度.     

基于ASCE SHM Benchmark模型的两阶段结构损伤识别方法

近年来,一种激励未知和输出部分已知条件下结构局部损伤识别的新方法得以提出,这种方法能基于子结构思想进行复杂结构的局部损伤识别,基于此方法,提出两阶段的损伤识别策略,并将其应用于第1阶段ASCE SHMbench-mark模型的case 4的4种损伤识别,以检验此方法的有效性.在第1阶段,提出8-DOF的损伤模型以进行损伤层的定位;第2阶段,利用子结构的思想,提出12-DOF的损伤模型,在包含损伤层的子结构中对损伤进行准确识别和定位.采用扩展卡尔曼方法对增广状态向量进行估计并使用最小二乘对未知激励进行递推,识别未知激励下的结构物理参数.损伤识别的结果显示,此方法能高精度地识别benchmark模型的各种损伤情形.     

框架与框架填充墙结构的统计损伤诊断

提出了一种基于递推随机有限元方法(RSFEM)的随机结构损伤识别方法来识别框架与框架填充墙结构的损伤.在定义了随机损伤指数概念的基础上,考虑模型误差的不确定性和测量噪声的影响,建立了关于随机损伤指数的控制方程.然后,利用RSFEM得到了结构随机损伤指数的统计特性.数值算例的结果显示,新的方法与两步法结合能在考虑模型误差和测量噪声的情况下对结构损伤进行有效识别,且在结构随机参数有较大涨落情况下,该方法与蒙特卡洛模拟法同样有效.     

实体壳单元及其在动力显式有限元方法中的应用

将实体壳单元模型引入动力显式有限元方法,并采用假定自然应变方法消除剪切闭锁和梯形闭锁,利用平面应力假定改善厚向闭锁,通过共旋理论更新应力.对标准算例的计算及其与实体单元计算结果的对比显示,在相同计算模型条件下,实体壳单元模型较实体单元有更好的精度.利用实体壳单元对一段辊弯成型过程进行模拟.结果显示,采用实体壳单元可以有效缩小计算规模,提高计算效率.     

基于DWT-FastICA和IMPSCO的时变结构损伤识别研究

提出了一种基于DWT-FastICA和IMPSCO的两阶段时变结构损伤识别方法.第I阶段:首先,通过离散小波变换(discrete wavelet transform,DWT)对各传感器采集到的结构动力响应信号进行预处理;然后,利用快速独立分量分析(fast independent component analysis,FastICA)提取出包含损伤信息的特征分量,从而确定损伤发生的时刻并初步定位损伤.第II阶段:采用改进的多粒子群协同优化算法(improved multi-particle swarmscooperative optimization,IMPSCO)分时段进行物理参数优化,实现损伤的精确定位和定量.通过一个数值算例和试验验证了所提方法的有效性,同时从噪声水平和损伤大小两个方面对该方法进行了探讨.研究表明,所提的方法能够较好地应用于线性时变结构损伤发生时间、位置与损伤程度的识别,根据不同的需求,不仅能够实现快速的损伤初步定位,而且可以进一步对损伤进行精确定位和定量,具有良好的容噪性、鲁棒性和工程实用性.     

基于神经网络的结构边界条件识别和损伤诊断

结构边界条件识别和损伤诊断,对于实验室条件下研究结构的动力特性具有重要的实用价值,本文提出了以子网为基础的分区组合式神经网络模型,并以钢筋混凝土梁在静力作用下的挠度作为特征参数,实现了结构的边界条件识别和损伤诊断。     

Re-Optimization Algorithm for SoC Wrapper-Chain Balance Using Mean-Value Approximation

Balanced wrapper scan chains are desirable for system-on-chip (SoC) testing because they minimize the time required to transport the test data. A new heuristic algorithm is proposed based on mean- value approximation and implement fast re-optimization as a subsequence of an earlier best-fit-decrease (BFD) method. The mean length of each scan chain was introduced as an approximation target to balance different scan chains and hence saved testing time. Experimental results present both for assumed arbitrary cores and cores from ITC'02 benchmark and show the effectiveness of the algorithm. The proposed algorithm can provide more balanced wrapper design efficiently for the test scheduling stage.