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。     

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.     

基于测试模态的损伤定位技术与实验分析

基于振动模态的分析测试技术是常用的一种结构健康检测与损伤识别方法，本文推导了模态测试和基于测试频率平方变化比确定损伤位置及损伤程度的计算公式，进行了结构损伤状态下模态测试的实验验证，结果表明，结构频率平方变化比是损伤位置和损伤程度的函数，并可据此进行损伤定位和损伤程度的评估。     

基于EMI技术与PSO-BP神经网络铝梁损伤定位研究

为了定位铝梁等一维结构的损伤位置,采用压电阻抗(EMI)技术与粒子群(PSO)-BP神经网络进行研究。首先,搭建损伤检测试验平台,使用阻抗分析仪测出健康和损伤状态下的压电导纳曲线,分析不同位置压电陶瓷传感器(PZT)测量的结构谐振峰特征,并通过Pearson相关系数对导纳数据进行处理;然后,构建PSO-BP神经网络,以不同位置上的PZT传感器测得的导纳值作为网络的模式样本进行训练。结果表明,压电阻抗技术能有效识别铝梁健康、损伤工况;Pearson相关系数与PZT传感器和损伤之间的距离呈线性关系,与损伤位置间距越小,PZT测得的导纳曲线的Pearson值越大;选取PZT导纳值变化明显的频率点作为神经网络的输入向量,经过训练后的PSO-BP神经网络能够快速准确地识别铝梁损伤位置。     

基于监测数据的大跨度悬索桥频率与环境条件的相关性模型

基于环境条件变化会导致桥梁结构模态参数发生改变,从而导致基于动力特性测试的损伤诊断出现误判等问题,对江苏润扬大桥悬索桥的模态频率与环境条件长期监测数据进行处理,采用改进BP神经网络构建实测模态频率与温度、风速及车辆荷载的相关性模型。在此基础上分离环境条件变化对频率的影响,并采用假设检验的方法提出结构损伤预警方法。研究结果表明:基于提前停止技术和贝叶斯正则化技术的改进BP神经网络模型具有良好的泛化能力,可以有效地消除模态频率的环境变异性;采用t检验的方法识别出江苏润扬大桥悬索桥第5阶和第6阶频率的0.16%和0.12%异常变化,具有较强的损伤敏感性,适用于悬索桥结构的在线状态监测和预警。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

用AR模型判断结构损伤的方法

利用AR模型的自回归系数构造距离判别函数、定义结构损伤特征参数,并引入统计分析方法,对结 构的异常状态诊断及损伤定位．数值实验表明,与基于模态频率变化的方法相比,该方法具有更高的损伤 识别能力．     

基于测试频率的损伤定位技术及其有效性的检验

探讨了基于测试频率平方变化比的损伤定位方法,对1个压力管道结构进行了单元损伤状态下的有限元模态分析,同时用形状记忆聚合物(SMP)材料制作了该结构的损伤可控单元,以电加热的方式控制其刚度变化,模拟了结构出现损伤的情形,并具体应用于模态测试实验中.有限元数值模拟和模型实验结果均表明结构频率的平方变化比是损伤位置和损伤程度的函数,据此可构建结构的安全信息库,对工作中的结构进行实时状态监测,将采集到的结构模态信息与信息库中的数据相比较,实现结构状态实时监测与损伤定位,进而可采取应对措施.     

基于深度学习的框架结构损伤识别研究

卷积神经网络模型和长短期记忆网络模型是两种应用广泛的深度学习网络模型,为探究两种模型在结构损伤识别应用中的效果,采用两种网络模型对钢框架结构的损伤识别进行研究.以3层框架结构为例,选用削减单元自身动力特性后的模态应变能差作为损伤指标,分别输入到两种神经网络模型中,对梁柱单元的损伤程度识别和损伤位置识别进行分析.结果表明：两种网络模型均能很快掌握结构单元的动力特性,在学习了框架结构的模态特征后,均能够精准地识别出损伤单元的位置,同时能较为准确地预测出单元的损伤程度,验证了两种网络模型在以模态应变能差为指标的损伤识别中具有较好的适用性.对比两种网络模型的表现,发现卷积神经网络具有较高的训练效率和较好的泛化性能.     

BP神经网络和曲率模态理论在桥梁损伤识别中的应用

目的 研究桥梁结构损伤识别指标,探讨结合BP神经网络理论开发程序对桥梁结构损伤位置及损伤程度智能输出的可行性.方法 对桥梁数值模拟,建立有限元模型并进行模态分析,得到损伤前后的模态数据;将模态数据曲率化后结合桥梁结构的损伤指标作为输入及输出变量,以输入变量与输出变量建立非线性映射关系;将大量损伤模态数据随机构成训练集及...     

水泥砼路面基层刚度反演分析的EBP方法

利用人工神经网络方法，对水泥砼路面基层刚度的计算进行了研究。采用有限元模态分析技术，对弹性半无限空间体上的水泥砼路面板有、无基层刚度变化情况分别进行了模拟，得到了一系列路面板自振频率与基层平面位置的映射关系，将此作为EBP网络学习样本，为加快网络训练收敛速度，采用了学习率自适应调整策略。算例结果表明，EBP人工神经网络算法可用于确定路面板基层刚度变化与其实际位置之间的映射关系。     

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.     

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.     

损伤位置分步识别法中参数选择、样本简化等问题的探究

对于多层多跨的框架结构,构件数量众多,直接确定损伤位置十分困难。基于神经网络的损伤位置分步识别法是先构建一个网络来确定结构损伤层的位置,然后针对每层再分别构建一个网络,确定损伤层中损伤柱的编号,于是一个复杂的神经网络被分解简化为几个简单的子网络,这样可以根据模态参数的性质合理选择损伤识别指标,并降低训练样本的数量,从而提高了网络的识别精度。结合分步识别法,建立了详细的多层多跨框架结构数值模型,对模态参数的性质和选择,如何减少训练样本．样本的构造方法等影响识别的因素做了初步探究。     

基于支持向量机的钢框架结构损伤定位试验研究

钢框架截面损伤会引起结构的模态频率发生变化。这里以钢框架模型的试验模态频率作为支持向量机的训练和测试样本的输入,由支持向量机输出判断结构损伤位置。研究表明,将支持向量机识别技术与常规的结构模态频率分析相结合,能够有效地识别钢框架结构损伤位置。该算法对损伤位置敏感,且识别精度较高。     

基于模态分析的发动机风扇叶片损伤诊断方法

结构故障诊断主要包括结构损伤识别、结构损伤定位、结构损伤程度的标定和评价三个方面内容。而频率、振型、频率和振型相结合的指标在结构故障诊断的三个方面各有优缺点。通过航空涡轮发动机风扇叶片建模,并在其上模拟出健康和损伤状态,选取频率、振型、频率和振型相结合的三类指标,借助ANSYS仿真与BP神经网络,验证了基于模态分析的发动机风扇叶片损伤诊断方法的可行性,并从数值上指出兼顾振型和频率的指标预测效果最优,也具有一定的工程实际意义。     

小波分析与神经网络在结构损伤监测中的应用

采用小波分析对获得的结构动力响应进行小波分解,根据各种响应信号对损伤的灵敏度选择损伤特征,从而识别结构出现损伤的时刻,以实现对其监控;分别对结构第一层位移响应信号和加速度响应信号做小波包分解得到各频段能量的特征向量,并分别作为特征参数输入到BP神经网络中实现损伤识别;比较了位移响应信号和加速度响应信号对损伤识别的灵敏性．模拟算例表明,小波分析和BP神经网络联合运用能准确地诊断结构损伤时刻、损伤位置和程度,具有一定的可行性．     

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。     

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。