时变结构的参数识别方法

较详细地叙述了时变结构参数识别方法在国内外的研究进展,指出了这一工作深入研究的理论与实际意义．对其中的典型研究成果,包括自动控制理论领域的研究成果,给出了简要介绍,叙述了将广义系统的识别方法用于结构系统的思路和问题,特别是在线识别技术和神经网络技术．介绍了使用小波理论来识别时变结构参数的新思想．最后简要地展望了这一领域的发展前景．     

识别时变结构模态参数的改进子空间方法

给出了基于整体数据子空间方法的改进算法,原方法对噪声的影响极为敏感,基于原方法的关键是计算一个与原系统的广义能观阵的特征值相同的矩阵的基本事实,将求矩阵的过程转化为最小二乘的问题,然后用广义能观阵替换输出矩阵,对数据进行滤波,从而有效地降低了算法对噪声敏感性,但同时增加了计算量。利用奇异向量矩阵的正交性,将最小二乘问题中求矩阵伪逆的过程简化为求该矩阵的转置,从而降低了计算量,改进后的算法能够在提高算法对噪声的敏感性的同时降低计算量。最后利用改进后的方法辨识出一个两自由度弹簧质量块模型在三种不同的刚度变化形式下的伪模态参数,并通过与使用原方法所得的结果比较,验证了以上结论。     

一种桁架结构损伤识别的柔度阵法

利用试验获得的一阶模态参数,提出了一种桁架结构损伤识别的柔度阵法,应用有限元方法柔度阵,建立结构振动特征方程,结构损伤后,引起柔度阵发生改变,从结构振动特征方程出发,对柔度矩阵做关于结构物理参数变化量的一阶泰勒展开,可以确定结构物理参数的变化量,识别结构损伤部位及损伤程度,通过一个桁架结构损伤识别的数值模拟证明了该方法的有效性。     

基于模态参数考虑边界条件变异的桥梁结构损伤识别

根据桥梁结构的实际工程特性,分析其边界条件变异、结构损伤及其参数变化,采用约束优化理论,建立以实测和理论模态参数误差平方和最小为目标函数的优化反演问题。基于矩阵摄动理论引入与结构动力方程对应的特征值和特征向量的一阶、二阶摄动量,将优化反演问题简化为非线性最小二乘法优化反演问题。针对桥梁结构边界条件对模态参数影响显著的实际情况,实施桥梁结构边界条件预识别,采用单元模态应变能方法预定位损伤,提出考虑边界条件变异的桥梁结构损伤识别具体流程。以一磁浮轨道梁方案为例,采用数值模拟进行边界条件变异及损伤的识别验证,结果表明:该方法能够有效识别边界条件的变异及构件损伤,识别参数的相对误差最大为12.48%,具有较高的识别精度。     

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.     

结构损伤智能诊断研究进展

综述结构损伤诊断研究的进展,主要讨论了人工神经网络在结构损伤识别中的应用,介绍了结构检测技术的发展和基于人工神经网络的诊断专家系统,最后指出了结构损伤诊断研究的发展趋势。     

轴对称壳体结构损伤识别方法研究

在对结构健康监测中的损伤识别方法进行调研与总结的基础上,针对某轴对称壳体结构开展损伤识别的动力识别方法研究.作者利用数值模拟技术评估了常用的动力损伤识别方法的有效性,选取出对研究对象损伤识别敏感量并实验验证指标识别有效性.进而在标识量敏感性分析的基础上,针对原有指标不足之处,提出了新的敏感指标,并与原有指标通过数值模拟对比验证其识别效果优越性.     

基于模态参数灵敏度的损伤方程组求解正则化方法研究

基于模态参数的结构损伤识别方法是振动损伤识别领域中应用最为广泛的方法.利用模态参数灵敏度构建结构损伤方程组,对其进行求解可以识别结构损伤位置和程度.由于实际工程中模态参数不完备性和噪声的影响,结构损伤方程易出现病态问题,直接求解可能产生错误的结果.为了解决这一问题,可以引入正则化方法进行求解.然而,各类正则化方法的基本...     

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。     

基于高斯曲率极值点的桥梁结构损伤识别方法

目前中小桥梁日常安全巡检存在对检查人员依赖性高、缺乏可量化的科学依据等不足.针对这些问题,本文提出了一种利用高斯曲率极值点对结构进行损伤识别的方法.将桥面视为受弯弹性薄板,根据弹性薄板的弯曲理论得到了在荷载作用下结构刚度变化与桥面弯曲程度(高斯曲率)的理论关系,并由此推导了高斯曲率对结构刚度损伤的敏感程度公式.通过有限...     

利用振动模态测量值和神经网络方法的结构损伤识别研究

提出了一种基于模态测量参数和神经网络的结构损伤检测方法,建造了两种输入方式的BP神经网络,即自振频率以及结合自振频率与振型,并讨论了不同数量的输入信息对结构损伤检测精度和计算效率的影响。证明了输入的参数越多,神经网络就越聪明,训练的收敛速度越快;以及在保证一定的测量精度的情况下,基于频率与振型的损伤识别结果要好于基于频率的检测结果。最后,通过对3层框架模型的4种损伤工况下的结构损伤检测结果的分析,认为利用模态测量参数和神经网络方法能够准确地识别结构损伤的位置,而且能较精确地识别结构损伤的大小。     

用神经网络和优化方法进行结构参数识别

本文分别采用优化方法和神经网络方法,对工程中经常碰到的结构参数识别问题进行了研究,论文对一个二层试验框架和香港青马大桥马湾塔的实测资料进行了分析,结果表明,两种方法对于解决实际 工程结构的参数识别问题都是可行的,精度可以满足工程要求,并对这两种方法作了对比,指出了各自的优缺点和值得进一步研究的问题。     

基于控制响应的时变系统模态参数辨识的改进子空间方法

提出了一种基于系统控制信号激发的响应数据来辨识时变系统模态参数的改进子空间方法。该方法以系统控制响应信号建立系统的状态空间输出方程并构造了一个广义Hankel矩阵,通过对该矩阵做奇异值分解(SVD),用广义能观阵的估计代替输出矩阵,然后利用奇异值矩阵的正交性,有效地降低了噪声敏感性和计算量,从而容易地辨识出等效状态下的系统矩阵,最后采用转换矩阵辨识出时变系统的模态参数。通过理论分析、仿真和实验,讨论了不同信噪比对辨识结果的影响,验证了该方法的有效性。     

New modal identification method under the non-stationary Gaussian ambient excitation

Based on the multivariate continuous time autoregressive （CAR） model, this paper presents a new time-domain modal identification method of linear time-invariant system driven by the uniformly modulated Gaussian random excitation. The method can identify the physical parameters of the system from the response data. First, the structural dynamic equation is transformed into a continuous time autoregressive model （CAR） of order 3. Second, based on the assumption that the uniformly modulated function is approximately equal to a constant matrix in a very short period of time and on the property of the strong solution of the stochastic differential equation, the uniformly modulated function is identified piecewise. Two special situations are discussed. Finally, by virtue of the Girsanov theorem, we introduce a likelihood function, which is just a con- ditional density function. Maximizing the likelihood function gives the exact maximum likelihood estimators of model parameters. Numerical results show that the method has high precision and the computation is efficient.     

GLOBAL STABILITY ANALYSIS IN CELLULAR NEURAL NETWORKS WITH UNBOUNDED TIME DELAYS

Without assuming the boundedness and differentiability of the activation functions, the conditions ensuring existence, uniqueness, and global asymptotical stability of the equilibrium point of cellular neural networks with unbounded time delays and variable delays were studied. Using the idea of vector Liapunov method, the intero-differential inequalities with unbounded delay and variable delays were constructed. By the stability analysis of the intero-differential inequalities, the sufficient conditions for global asymptotic stability of cellular neural networks were obtained.     

STUDY ON PREDICTION METHODS FOR DYNAMIC SYSTEMS OF NONLINEAR CHAOTIC TIME SERIES＊

The prediction methods for nonlinear dynamic systems which are decided by chaotic time series are mainly studied as well as structures of nonlinear self-related chaotic models and their dimensions. By combining neural networks and wavelet theories, the structures of wavelet transform neural networks were studied and also a wavelet neural networks learning method was given. Based on wavelet networks, a new method for parameter identification was suggested, which can be used selectively to extract different scales of frequency and time in time series in order to realize prediction of tendencies or details of original time series. Through pre-treatment and comparison of results before and after the treatment, several useful conclusions are reached:High accurate identification can be guaranteed by applying wavelet networks to identify parameters of self-related chaotic models and more valid prediction of the chaotic time series including noise can be achieved accordingly.     

Local parameter identification with neural ordinary differential equations

The data-driven methods extract the feature information from data to build system models, which enable estimation and identification of the systems and can be utilized for prognosis and health management (PHM). However, most data-driven models are still black-box models that cannot be interpreted. In this study, we use the neural ordinary differential equations (ODEs), especially the inherent computational relationships of a system added to the loss function calculation, to approximate the governing equations. In addition, a new strategy for identifying the local parameters of the system is investigated, which can be utilized for system parameter identification and damage detection. The numerical and experimental examples presented in the paper demonstrate that the strategy has high accuracy and good local parameter identification. Moreover, the proposed method has the advantage of being interpretable. It can directly approximate the underlying governing dynamics and be a worthwhile strategy for system identification and PHM.     

矩形板结构损伤的分区域神经网络识别方法

通过引入LM优化算法,针对矩形薄板中对称结构的损伤识别问题,提 出了一种基于神经网络的分区域分步识别方法. 对于预测输出量比较多且对预测精度要求比 较高的问题,常会出现网络训练时收敛速度慢、网络预测精度低,并且当网络训练达到目标 误差时,输出的预测量中常有某个输出量的误差还很大的情况. 针对这些问题,利用选 取的组合输入参数,提出了基于神经网络的分区域识别方法. 通过对悬臂板结构的数值模拟 结果表明：提出的分区域识别方法对结构损伤的分区和预测是可行和有效的, 其预测精度要明显的高于只用单个网络的预测结果,并且预测子网络对损伤的位置和程度是 同步输出的,从而避免了传统分步识别理论中子网络过多的问题.