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.     

小波方法识别框架结构损伤

小波包分析损伤识别方法首先将结构响应信号分解为小波包组分,然后通过各组分小波信号的变化情况识别损伤。通过3层框架结构的数值分析,模拟结构损伤,判断损伤时刻与损伤位置。分析小波组分信号突变情况,可以识别损伤时刻、损伤位置和损伤程度。     

基于小波包样本熵和支持向量机的框架结构损伤识别

基于小波包样本熵和支持向量机原理,研究了钢框架结构的损伤定位识别方法.分析在冲击载荷作用下框架结构的动力响应,对加速度信号进行小波包分解,建立小波包样本熵的损伤指标,采用支持向量机原理,识别结构损伤位置以及损伤程度.研究表明,该方法能够利用单一的传感器,实现理想的识别效果,且具有一定的适用性和鲁棒性,在60 dB的噪声水平环境中损伤定位识别结果在90％以上,在40 dB的噪声水平环境中,损伤程度识别结果在90％以上,框架实验模型研究表明,柱的损伤识别精度要高于梁的损伤识别精度.     

基于环境振动信号的框架结构震后损伤识别

提出了一种新的损伤指标用于框架结构的震后损伤识别.以环境振动作为激励信号,采用小波包分解理论,利用框架结构损伤后振动信号的能量在频域内的变化,构建损伤指标DI,并给出了损伤识别流程图.在此基础上,以某钢筋混凝土框架结构为例,设定4种震后损伤工况,对框架结构进行了震后损伤识别分析,探讨了不同楼层、不同类型振动信号对损伤识别效果的影响.结果表明:本文构建的损伤指标DI可以有效识别框架结构的震后损伤,损伤指标DI与损伤程度之间有近似线性的关系;基于较高楼层振动信号的损伤指标值对结构的损伤识别效果较佳;利用速度信号可获得比加速度信号更好的识别效果.     

损伤识别系统中小波包信号特征量的提取

基于结构损伤识别系统,构建了耦合神经网络模型,阐述了小波包分析技术的原理和方法,对小波基的选取原则进行了分析和探讨,确定了小波基函数DbN中的N以及小波包分解尺度j;从模式识别的观点对结构损伤识别进行了分析,分析了小波包信号能量特征提取的方法。利用小波包多分辨率的特点,提出了以小波包信号成分能量特征向量为结构损伤识别的损伤特征指标,并在实验中得到了良好的识别效果。     

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。     

钢结构损伤识别中Db族小波函数选择

在基于小波分析的结构损伤识别研究中，小波函数的选择是首先要考虑的问题．选取了部分Db（Daubechies Ⅰ）族小波函数，采用小波概率神经网络方法，对一个4层钢框架进行损伤识别研究，探讨了选择不同Db族小波函数对损伤识别结果的影响．研究发现，正则性好、消失矩大等特性的小波函数其损伤识别效果最好．     

面向结构损伤预警的小波包能量谱识别参数

对Benchmark钢框架结构试验数据和润扬大桥悬索桥监测数据进行了小波包能量谱损伤预警分析,在此基础上详细考察了不同小波函数和小波包分解层次的损伤预警效果.结果表明:Daubechies小波和Coiflets小波适用于结构损伤预警,并且实际工程中应采用较大的小波函数阶次以获取较好的时域分辨能力和损伤预警能力;小波包分...     

桥梁损伤识别的小波空间变换及基函数选取的理论探讨

采用类比推理的方法建立了结构损伤识别空间信号的小波变换理论;系统的介绍了小波函数的特性;分析了工程结构损伤信号类型及其对小波函数的敏感性以及与分解尺度的关系;综合上述理论,初步讨论了工程结构损伤识别所用小波函数选取的一般规律.     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

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．     

基于小波分析的结构损伤检测

针对结构损伤检测系统的实时性和复杂性特点,探讨了基于小波分析的结构损伤识别方法。以小波分析方法为基础,对损伤工况下三层框架结构进行加速度响应的数值仿真,结果表明结构不同层的加速度信号对不同位置的损伤有不同的敏感性。应用小波分析法对结构工程损伤进行实时检测,可实现对结构损伤发生时间和位置同时进行定位,实现对结构工程损伤的早期诊断,为结构的维修加固提供可靠的依据。     

基于小波分析法的传感器信息融合的运动损伤检测方法

传统方法针对多组传感器路径中的检测点,在很大程度上会出现若干存在差异的损伤发生概率,导致运动损伤检测不准确。为此,提出一种传感器信息融合的运动损伤检测方法。利用多帧帧间差的累积消除空洞效应,在此基础之上,融合传感器确定出准确的人体运动区域,以此对不同场景人体运动进行监测;采用小波分析法对监测结果的非平稳信号进行分析,得到运动损伤特征。将传感器信息融合和小波神经网络结合在一起,获取所有传感器的小波能量特征向量,按照最大概率密度函数值和特征向量获取融合运动损伤检测结果及损伤种类。实验结果表明,所提方法检测结果准确,实用性强。     

Evaluation of earthquake-induced structural damages by wavelet transform

The dynamic behavior of inelastic structures during an earthquake is a complicated non-stationary process that is affected by the random characteristics of seismic ground motions. The conventional Fourier analysis describes the feature of a dynamic process by decomposing the signal into infinitely long sine and cosine series, which loses all time-located information. However, both time and frequency localizations are necessary for the analysis of an evolutionary spectrum of non-stationary processes. In this paper, an analytical approach for seismic ground motions is developed by applying the wavelet transform, which focuses on the energy input to the structure. The procedure of identification of the instantaneous modal parameters based on the continuous wavelet transform (CWT) is given in detail. And then, a novel method using the auto-regressive moving average (ARMA), called "prediction extension”, is presented to remedy the edge effect during the numerical computation of the CWT. The effectiveness of the method is verified by the use of the benchmark model developed by the American Society of Civil Engineers (ASCE). Finally, a scale model with three-storey reinforced concrete frame-share wall structure is made and tested on a shaking table to investigate the relation between the dynamic properties of structures and energy accumulation and its change rates during the earthquake. The results have shown that the wavelet transform is able to provide a deep insight into the identity of transient signals through time-frequency maps of the time variant spectral decomposition.