基于振动信号神经网络层合板分层损伤检测研究

基于振动信号应用神经网络研究层合板分层损伤的检测方法. 对层合板分层损伤区域, 采 用相同坐标不同节点建立了分层损伤处的有限元模型; 通过数值模拟提取结构无损和 不同程度面积分层损伤的全局振动标识量; 重点研究神经网络对层合板分层损伤位置 和损伤程度的检测技术. 研究表明, 用结构全局振动标识量作为人工神经网络的输入, 对 层合板结构分层损伤检测是一种很有效的工程实用技术, 可应用于实际结构的在线损伤检测.     

基于自适应BP神经网络的结构损伤检测

描述基于人工神经网络的结构损伤检测的基本步骤以及该方法在实际5层钢框架结构损伤检测上的应用．提出了一种改进的BP神经网络方法，它能够解决传统BP神经网络在实际应用中存在的两个问题：收敛速度慢并存在局部极小．其基本思想是引入动态自适应算子加速传统BP算法的梯度下降速度，从而提高运算速度，通过自调节保证学习过程中每一时刻具有较大的sigmoid函数值，从而可以避免局部极小．数值仿真结果表明基于该自适应神经网络的结构损伤检测方法具有强的鲁棒性，而且与传统的BP神经网络相比，不仅提高了计算速度，并且具有很高的精度．最后，实例的应用也证明了该方法的有效性．     

基于损伤诱导矢量及元素位置矢量诊断结构损伤

通过引入损伤诱导矢量和元素位置矢量,作者构造一种采用模态测试数据诊断结构损伤的新方法。利用损伤诱导矢量能迅速排除无损伤元素,缩小识别范围。这里认为结构损伤是由一个或多个元素的损伤引起的,采用元素损伤矢量ｈ１＝（ａｉ,ｂｉ,ｃｉ）描述元素ｉ及损伤程度及类型。该方法构造简单,能大幅度降低计算量。文中以浅拱为例,给出各种损伤情况与下的诊断结果,以说明其有效性。     

时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析

对时变环境与损伤耦合下我国某斜拉桥的结构频率及阻尼比进行统计分析,以提高结构损伤识别的精度.首先,利用该桥的长期监测数据,采用环境激励技术结合特征系统实现算法识别该桥梁结构的频率及阻尼比;其次,利用人工神经网络算法建立该桥梁结构的环境温度与结构频率及阻尼比的关系模型;然后,通过统计分析,建立完好状态下该桥梁结构模态参数误差因子的概率分布模型;最后,通过分析不同时段与完好结构状态下该桥梁结构模态参数误差因子的相交概率比识别结构损伤,并利用该桥的实测结果验证所提算法的有效性.     

环境激励下Benchmark结构损伤识别的试验研究

针对结构健康监测中如何利用在线监测数据进行健康诊断的问题,基于时间序列分析提出了一种新的损伤识别方法.首先,获得结构健康状态的监测数据作为参考状态样本,对各数据样本建立ARMA模型并计算模型残差的方差.然后,将未知状态的监测数据作为待检状态样本,代入已建立的参考状态ARMA模型计算新的残差方差.计算发现,损伤前后两状态模型残差方差存在差异.因而,提出以残差方差之比作为损伤敏感特征,并建立基于F分布的假设检验来辨识结构的状态并预警损伤.最后,以Benchmark结构在环境激励下的试验为例,运用本文方法进行了损伤识别研究.结果表明,基于ARMA模型残差方差的损伤敏感特征可准确地区别结构的健康状态和损伤状态,具备结构在线实时损伤识别的应用价值.     

残余力向量法在结构损伤识别中的应用研究进展

工程结构的损伤识别技术对于把握结构工作状态及评估结构的安全性与正常使用性能具有重要的意义。近年来基于残余力向量法的损伤识别技术受到了关注并取得了一定的研究成果。文章从基于残余力向量法的损伤识别技术、残余力向量法和灵敏度分析方法相结合、残余力向量法的改进、残余力向量法和人工神经网络技术的结合、残余力向量法和智能算法的融合等5个方面综述了目前国内外基于残余力向量法进行结构损伤识别研究的成果。并根据残余力向量法应用上存在的问题展望了应用残余力向量法进行结构损伤识别时在如何减小误差;如何克服测试信息不完备的影响;如何进行实际工程损伤识别的研究以及残余力向量法的改进以及残余力向量法和智能算法结合等方面的发展趋势。     

基于振动响应和HHT技术的机翼盒段结构损伤检测方法研究

提出一种利用结构振动响应和HILBERT-HUANG变换(HHT)技术检测结构小损伤的时域方法,研究了基于HHT的悬臂机翼盒段结构的损伤特征量的提取方法,给出了所提取特征量与结构损伤程度之间的关系。用HHT技术处理完好盒段与损伤盒段在信号激励下的结构动力响应信号,得到信号的希尔波特谱;然后求出希尔波特谱对应的瞬时能量,从中提取出结构损伤信息—瞬时能量变化量,作为损伤特征参数;并研究了将之作为损伤特征参数的抗噪声干扰能力。最后给出了瞬时能量变化量最大值与结构损伤程度之间的关系。     

基于柔度的桁架结构损伤定位方法

建立了一种基于模态柔度的桁架结构损伤定位方法。从结构柔度矩阵与刚度矩阵的正交关系出发,将损伤结构在观测模态下的节点误差作为损伤定位的动力指纹,通过采用模态参数的一阶矩阵摄动技术,以近似解析的方式推导了本文方法的损伤定位原理。并且通过对一个典型桁架结构的数值模拟研究,验证了本文损伤定位方法的有效性和鲁棒性。研究结果表明,本文基于柔度的损伤定位方法能够在实际观测条件下,准确地识别桁架结构的损伤单元位置。     

Timoshenko梁理论应用于结构损伤的动力分析

应用Hamilton原理，导出了Timoshenko梁的动力学偏微分方程组。将土和结构视为一个系统，接近实际状况的简化为一个几何非线性的Timoshenko梁，并与Bernoulli—Euler的初等假设理论进行比较，讨论了长细比对粱的动力学特性的影响，在此基础上研究房屋结构损伤诊断的问题。     

小波-分形联合的结构损伤无损振动诊断

基于小波的强局部分析能力和分形的强非线性处理能力,提出了结构损伤诊断的小波细节关联维分析方法。该方法由两个主要步骤构成:首先采用快速二进小波变换àtrous算法对振动检测波进行多分辨率分析,并利用àtrous算法的可加性重构特性和小波细节频谱保证标准(WDFSAC)确定含损伤信息的关键频段;然后对关键频段内的小波细节进行关联维分析,产生关联积分和关联维计算曲线作为损伤诊断平台,并在关联维计算曲线的灵敏尺度区间内设立关联维阀值判据,实现结构损伤的参数化诊断。通过数值和物理实验对方法进行充分检验,实验结果说明,该方法不依赖模型进行损伤诊断,具有较强的弱损伤诊断能力和噪声免疫能力,构成了一条可行、有效的结构损伤无损振动诊断技术路线。     

工程结构优化的神经网络方法

本文阐述了神经网络优化计算的基本原理，构造了工程结构优化的神经网络模型。采用模拟退火技术进行模型求解，且巧妙地将退火温度Ｔ的倒数作为Ｌａｇｒａｎｇｅ乘子，以改善增广目标函数的收敛性。实例计算表明，由非线性模拟神经元组成的大规模并行、互连的网络在工程结构的优化设计中是可行且有效的。     

Damage detection in structures using modified back-propagation neural networks

A nonparametric structural damage detection methodology based on neural networks method is presented for health monitoring of structure-unknown systems. In this approach appropriate neural networks are trained by use of the modal test data from a ‘healthy’ structure. The trained networks which are subsequently fed with vibration measurements from the same structure in different stages have the capability of recognizing the location and the content of structural damage and thereby can monitor the health of the structure. A modified back-propagation neural network is proposed to solve the two practical problems encountered by the traditional back-propagation method, i.e., slow learning progress and convergence to a false local minimum. Various training algorithms, types of the input layer and numbers of the nodes in the input layer are considered. Numerical example results from a 5-degree-of-freedom spring-mass structure and analyses on the experimental data of an actual 5-storey-steel-frame demonstrate that neural-networks-based method is a robust procedure and a practical tool for the detection of structural damage, and that the modified back-propagation algorithm could improve the computational efficiency as well as the accuracy of detection Project supported by the National Natural Science Foundation of China (No. 59908003) and the Natural Science Foundation of Hubei Province (No. 99J035).     

ANALYSES ON STRUCTURAL DAMAGE IDENTIFICATION BASED ON COMBINED PARAMETERS

IntroductionServiceloads,environmentalandaccidentalactionsmaycausedamagetostructures .Whenthestructuraldamageissmalloritisintheinteriorofthestructure,itsdetectioncannotbedonevisually.Inspectionofexistingbuildingsandbridgesaftercatastrophicevents,suchasearthquakesandhurricanes,aswellasundernormaloperatingconditions ,isoftentimeconsumingandcostlybecausecriticalmembersandconnectionsareconcealedundercladdingandotherarchitecturaldecorations.Formanyimportantstructures,suchashospitals,firestations,mi…     

改进的小损伤结构动力学有限元建模方法

在遗传算法或神经网络方法识别结构损伤位置和程度时,都是基于少量的在线测量的损伤结构振动响应数据和大量的模型仿真数据来实现的,因而建立高效和精确的损伤结构动力学有限元模型,以便仿真获得损伤结构的大量动力学响应数据是十分重要的基础前提工作。本文针对ANSYS结构分析软件在建立结构小损伤有限元动力学模型存在两个关键问题,结构损伤处直接网格划分的计算结果误差和网格节省问题,以结构损伤振动检测的实际需要为出发点,提出了建立含小损伤结构的ANSYS动力学建模技术,研究了结构局部小损伤及其位置与所在处单元刚度矩阵变化的数量关系。     

ANALYSES ON STRUCTURAL DAMAGE IDENTIFICATION BASED ON CIMBINED PARAMETERS

The relative sensitivities of structural dynamical parameters were analyzed using a directive derivation method. The neural network is able to approximate arbitrary nonlinear mapping relationship, so it is a powerful damage identification tool for unknown systems. A neural network-based approach was presented for the structural damage detection. The combined parameters were presented as the input vector of the neural network, which computed with the change rates of the several former natural frequencies (C), the change ratios of the frequencies (R), and the assurance criterions of flexibilities ( A ). Some numerical simulation examples, such as, cantilever and truss with different damage extends and different damage locations were analyzed. The results indicate that the combined parameters are more suitable for the input patterns of neural networks than the other parameters alone.     

Combined neural network and reduced FRF techniques for slight damage detection using measured response data

Summary  This paper deals with structural damage detection using measured frequency response functions (FRF) as input data to artificial neural networks (ANN). A major obstacle, the impracticality of using full-size FRF data with ANNs, was circumvented by applying a data-reduction technique based on principal component analysis (PCA). The compressed FRFs, represented by their projection onto the most significant principal components, were used as the ANN input variables instead of the raw FRF data. The output is a prediction of the actual state of the specimen, i.e. healthy or damaged. A further advantage of this particular approach is its ability to deal with relatively high measurement noise, which is a common occurrence when dealing with industrial structures. The methodology was applied to detect three different states of a space antenna: reference, slight mass damage and slight stiffness damage. About 600 FRF measurements, each with 1024 spectral points, were included in the analysis. Six 2-hidden layer networks, each with an individually-optimised architecture for a specific FRF reduction level, were used for damage detection. The results showed that it was possible to distinguish between the three states of the antenna with good accuracy, subject to using an adequate number of principal components together with a suitable neural network configuration. It was also found that the quality of the raw FRF data remained a major consideration, though the method was able to filter out some of the measurement noise. The convergence and detection properties of the networks were improved significantly by removing those FRFs associated with measurement errors. Received 9 March 2000; accepted for publication 12 December 2000     

异常天气条件下潮位过程神经网络补遗预测方法的研究

以异常天气条件下的实测潮位过程为研究对象,根据其为非平稳时间序列的特点,以人工神经网络BP算法作为预测工具,对潮位时间序列中缺失的数据进行补遗建立:差分方法人工神经网络模型;同一海域邻近潮汐测站潮位过程对应预测的去平均值法人工神经网络模型;对增减水现象潮汐过程预测的气象资料数据库人工神经网络模型。以实测资料验证上述方法的可行性,并取得了很好的预测结果。     

既有钢桁梁桥损伤识别与诊断方法研究

从结构动力学基本理论出发，对既有钢桁梁桥的损伤识别与诊断方法进行了研究. 通过选取钢桁梁桥损伤前、后的固有频率作为特征参数，并应用BP神经网络方法和MATLAB方法对桥梁损伤识别和诊断过程进行了深入细致地分析，提出了一套完整的桥梁损伤识别和诊断过程流程图. 最后，用一实际钢桁梁桥的损伤识别进行了数值模拟，计算结果证明了该方法的准确性和有效性.