基于RBF神经网络的结构动力损伤识别

本文针对结构动力损伤识别问题,提出了ＲＢＦ神经网络识别方法,重点讨论了ＲＢＦ神经网络的结构的算法,并在最后人出了两个工程应用实例,结果表明,ＲＢＦ神经网络识别在方法在结构动力损伤识别中不失为一种崭新有效的方法。     

基于神经网络的桥梁损伤位置识别

损伤位置识别是对大型桥梁结构进行损伤检测的重要一步.以汲水门斜拉桥为背景,对应用神经网络的模式分类技术识别桥面结构损伤位置的方法进行了研究.使用了两种类型的网络,简称动态网络和GA网络,探讨了这一方法的可行性.动态网络的网络结构是根据训练进程而动态地确定的.GA网络是在训练中引进了遗传算法.比较了两种网络对损伤位置的识别效果.结果表明,应用神经网络的模式分类技术对桥梁桥面结构损伤位置识别的方法是可行的.只需要较少的输入数据,两种网络均可产生较好的识别结果.     

用于结构损伤识别的神经网络设计

神经网络已越来越多地被用于基于振动的结构损伤识别,而如何设计了一个高效的用于结构损伤识别的神经网络却还是一个值得研究的问题,本文就结构损伤识别神经网络输入向量选择,网络构造设计等问题进行讨论,并通过数值模拟和实验数据得验证。     

框架结构连接损伤识别神经网络输入参数的确定

神经网络已越来越多地被用于基于振动的结构损伤识别。而如何选择输入参数还是一个值得研究的问题。本文提出了一种由 频率与少数点的模态分量合成的组合参数，作为神经网络的输入向量，以克服单独使用某种参数的缺陷。通过一个六层框架的数值模拟和一个两层框架的实验验证，表明本文提出的组合参数对框架结构的连接损伤识别是实用可行的。     

基于斜拉索振动测量与神经网络技术的斜拉桥损伤位置识别方法

以香港汲水门大桥为背景,探讨了斜拉索张力指标和神经网络技术相结合对桥面结构损伤的定位或分类方法。基于高精度三维有限元模型,采用BP网络,模拟了12种可能的损伤情况的定位。以不同损伤程度下斜拉索张力指标作为神经网络的训练与测试输入,由神经网络的输出来指示损伤位置。该方法的突出优点是只用到少量斜拉索的局部模态的基频,就能获得较好的识别结果。而对少量斜拉索的局部模态的基频测量要比其它面向损伤检测的测量容易得多。另外,该方法可十分方便地推广应用于悬索桥的桥面损伤定位。因此,该方法具有重要的实用价值。     

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标,在分析现有识别指标的基础上,提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标,并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报,其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。     

建模误差对结构损伤识别神经网络的输入向量的影响

通过理论推导，得到了模型参数误差均匀分布时五种输入向量相对误差的计算公式，这些公式为结构损伤识别神经网络的输入向量的选择提供了理论指导。理论分析表明，用归一后的频率变化比或按模态点归一的一阶模态损伤信号指标构造神经网络的输入向量，能有效地降低甚至消除均匀建模误差的影响。这些公式和结论在梁和框架损伤识别的数值算例中得到了证实。此外，本对非均匀建模误差对神经网络输入向量及识别结果的影响进行了数值模拟和分析。     

基于BP神经网络的结构损伤检测

介绍了BP神经网络的学习算法,通过对一个钢筋混凝土简支梁模型进行了损伤数值模拟,提取固有频率作为BP神经网络的输入参数,并应用简支梁损伤前后的数据输入训练好的神经网络来判断结构损伤。检测表明,该方法在结构损伤检测中具有较好的应用前景。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。     

工程结构损伤的集成神经网络识别研究

从结构损伤识别的实际出发，提出采用基于信息融合理论的集成神经网络技术对结构损伤状况进行识别，即通过结构损伤特征信息的有效组合，用各种子神经网络从不同侧面对结构损伤进行初步识别诊断，然后对识别结果进行决策融合。给出了系统的实现策略和子网络的组建原则。从识别实例中可以看出，此识别方法充分利用了各种特征信息，可以有效地提高识别率。     

斜拉桥结构损伤定位的组合敏感指标法

研究斜拉桥结构在斜拉索和主梁组合损伤条件下的损伤定位问题。根据斜拉桥的受力特点，将其看作由斜拉索、主梁以及索塔组成的组合结构，对于斜拉索和主梁分别选取相应的损伤敏感指标，首次提出了斜拉索损伤定位的斜拉索索力指标，在此基础上提出了斜拉桥损伤定位的组合敏感指标法。为了降低测试数据噪声对损伤定位的影响，引入蒙特卡罗法提高方法的准确性和鲁棒性。对一斜拉桥结构进行了损伤识别的数值模拟分析，研究表明该方法仅需不完备的低阶振型模态和索力测试数据，即可实现斜拉索和主梁组合损伤的准确定位。     

用小波神经网络检测结构损伤

用小波和神经网络ART2相结合的方法检测结构的损伤位置。给出了小波变换和人工神经网络的基本理论及其用于损伤检测的原理与特点。通过把小波变换作为神经网络的前处理来构造小波神经网络。首先通过数值试验检验了小波消噪和小波神经网络损伤检测的能力。然后在一个框架结构模型上进行了试验。实验证明这种方法使网络抗噪声能力增强,使损伤识别的效果更好。ART2网络具有自动从环境中学习的能力,能自动的给出新的识别输出。     

基于结构响应统计特征的神经网络损伤识别方法

提出一种采用结构动态响应的统计特征作为损伤指标的神经网络损伤识别方法,并对其进行了数值模拟和实验验证。首先,通过敏感性分析,分析了采用结构动力响应的统计特征作为损伤指标的可行性;然后数值模拟了一三跨连续梁采用结构位移方差作为损伤指标的神经网络损伤识别过程,其结果表明,经过训练的神经网络可以准确的识别出单损伤和多损伤工况中的损伤位置和损伤程度;最后进行一组两端固定的简支梁模型实验来验证所提出损伤识别方法的有效性。实验结果表明,对于单损伤工况,神经网络可以准确地识别出结构中损伤位置和损伤程度,对于双损伤工况,神经网络可以准确地识别出损伤位置,而损伤程度识别略有偏差。最后得出结论,采用结构动力响应的统计特征作为损伤指标的神经网络损伤识别方法是可靠有效的。     

基于模糊神经网络的数据融合结构损伤识别方法

为了有效利用结构健康监测系统中的多源传感器数据信息,提高损伤检测与评估的识别正确率,该文通过构造模糊神经网络分类器,提出了一种基于模糊神经网络的数据融合损伤识别方法并将之应用于结构健康诊断中。它先通过数据预处理,提取原始响应信号中的特征参数,接着将之作为模糊神经网络的输入,构造模糊神经网络模型进行识别决策,最后运用数据融合算法,计算出数据融合后的决策结果。为了验证所提方法的有效性,通过一个7自由度的建筑模型,分别用单一模糊神经网络决策器和数据融合损伤识别方法进行了损伤识别和比较。研究结果表明:该文所提方法比单一决策结果更准确、可靠。     

SOFM网络在结构损伤位置识别中的应用

为实现结构的损伤定位，克服BP神经网络受病态样本影响大且抗噪声能力弱等缺点，采用SOFM（Self-Organizing Feature Map）网络，以结构振动组合损伤指标为网络输入，对一桁架结构进行了损伤位置识别研究。识别结果显示SOFM网络能够区分相似样本，由网络的拓扑图可以直观地评价网络训练和识别结果。在不考虑噪声情况下，网络可以正确识别损伤位置，在噪声水平不大于30％情况下，除个别单元外，网络对其他单元损伤的正确识别率均高于95％，显示出很好的抗噪声能力。     

基于损伤敏感指标的斜拉桥结构损伤定位研究

研究斜拉桥结构的损伤位置识别问题。首先根据斜拉桥结构的受力特点,将其视为由斜拉索、主梁以及索塔组成的组合结构,对于斜拉索和主梁分别提出了广义模态应变能指标、位移灰关联指标以及索力变异指标等多种损伤敏感指标,并就观测噪声水平和损伤程度耦合影响下各损伤敏感指标的定位效果进行了系统研究。为提高存在观测噪声条件下损伤识别的可靠性和准确性,将证据理论引入损伤位置判别的决策过程,提出了基于多源损伤证据的损伤定位方法,实现了基于多源损伤信息的损伤定位。通过算例验证了所提出方法的有效性和优越性。