基于互相关函数幅值向量的结构损伤定位方法研究

在利用互相关函数幅值向量（Correlation Function Amplitude Vector，CorV）进行结构损伤检测的方法基础上，进一步提出了利用互相关函数幅值向量来确定受损结构的损伤位置的方法。通过在随机激励下不同测点的时域响应求得结构互相关函数幅值向量后，对损伤前后结构的互相关函数幅值向量进行二阶差分处理，根据差分处理后的互相关函数幅值向量分布图可以直观地判别出结构损伤的位置。用一个四边固支板和一个四层楼房基准模型的损伤定位为算例，验证了所提出方法的有效性和准确性。算例表明，用所提出的方法只需要测量结构受随机激励的时域响应，就可同时确定多处结构损伤的位置，且具有较好的抗测量噪声能力。因此，所提出的方法可应用于环境随机激励下的结构健康监测技术。     

基于互相关函数幅值向量和小波变换的复合材料结构损伤检测

提出了一种基于互相关函数幅值向量(Cross correlation function amplitude vector,corV)和连续小波变换(continuous wavelet transform,CWT)联合检测损伤的方法.选取双正交小波函数,首先计算随机激励下完好结构和损伤结构的互相关函数幅值向量,再分别对其进行连续小波变换,根据损伤前后小波系数的变化来检测结构的损伤,并以小波系数差的模最大值作为损伤指标来进行损伤定位.该方法无需对结构建模,仅需获取结构损伤前后的时域响应信号.通过对带有不同位置分层损伤的复合材料层合梁和层合板损伤检测的数值仿真,验证了用该方法检测复合材料结构分层损伤的有效性.     

基于内积矩阵及深度学习的结构健康监测研究

环境激励下仅利用振动响应的结构健康监测方法,因其便于实现在线监测受到了越来越多的关注。该文回顾了以振动时域响应相关性分析为基础的结构特征参数(即内积向量)的基本概念及特征。为了从已有测试数据中提取更多的结构特征参数,分别以各个响应测点为参考点来构建多个内积向量并组成矩阵,将内积向量扩展到了内积矩阵。进而以内积矩阵为结构特征参数,结合深度卷积神经网络的特征提取能力,提出了基于内积矩阵及深度学习的结构健康监测方法。典型航空加筋壁板螺栓松动监测的实验研究结果表明,仅利用结构在环境激励下部分测点的振动时域响应,该文方法可以准确地识别螺栓松动位置。     

基于相关函数矩阵及卷积神经网络的结构健康监测研究

环境激励下利用时域振动响应构建的内积矩阵是结构健康监测中一种较好的结构特征参数。为了提升结构健康监测方法的识别准确率,构建内积矩阵时往往需要较多的振动响应测点,这将直接影响方法的工程实用性。该文基于时域振动响应的相关性分析理论,将内积矩阵扩展到了相关函数矩阵,实现从少量的振动响应测点中获取更多的结构健康特征信息,以降低结构健康监测方法对测点数量的需求。进一步结合卷积神经网络优异的数据特征提取能力,以相关函数矩阵为输入、结构健康状态为输出,提出了基于相关函数矩阵及卷积神经网络的结构健康监测方法。典型航空加筋壁板螺栓松动监测的实验研究结果表明,仅采用结构上任意2个测点的时域振动响应,该文方法针对螺栓松动位置的识别准确率可达99%以上。     

白噪声激励下的复合材料层合结构损伤检测的内积向量法

利用白噪声激励下结构各测点的动力学响应之间的互相关函数,引入了内积向量（Inner Product Vector,IPV）的概念,提出了应用内积向量进行结构损伤检测的方法,并分析了测试噪声对基于内积向量的损伤检测方法的影响。通过对复合材料层合梁的分层损伤检测仿真算例,验证了该方法检测损伤的有效性以及较高的抗噪能力。     

基于时域残余力向量特征分解的结构损伤识别方法研究

提出基于时域残余力向量的结构损伤识别方法。从结构振动方程出发,推导强迫振动条件下由结构动力响应求解时域残余力向量的表达式。时域残余力向量包含与损伤过程相关的时间信息,可以用来识别损伤发生的时刻。通过结点时域残余力向量值的变异系数建立损伤位置指标,识别损伤位置。建立结构残余力矩阵特征分解方法,特征分解获得的特征向量在损伤前后不发生改变,而特征值与单元刚度相关。因此,可以从特征值中提取单元刚度参数构建损伤程度参数,直接识别损伤程度。将时域残余力向量方法应用于武汉军山大桥模型的损伤识别,结果表明：提出的方法在单点激励和多点激励下均可高精度地识别出损伤发生的时刻、位置和程度。提出的方法通过对时域残余力向量特征分解提取损伤时刻、位置和程度指标,计算过程直观且精度高,避免了繁琐的时频变换、优化迭代等计算过程。     

基于支持向量机和蒙特卡洛法的结构随机灵敏度分析方法

该文利用具有良好小样本学习能力的支持向量机回归拟合结构响应的显式函数, 计算随机变量的灵敏度系数, 并结合蒙特卡洛法对结构响应的随机性进行分析。采用自适应混合粒子群法优化支持向量机相关参数取值, 提高了计算效率。通过两个工程算例验证了该方法的可行性, 并对比了训练样本抽样方法对计算精度的影响。算例结果表明:利用补充抽样方法抽取训练样本计算结构随机性得到的结果精度高, 拟合的概率密度分布曲线可以更好的反映真实情况;同时利用灵敏度系数研究了算例中不同随机变量对结构响应的敏感性。     

基于随机振动响应互相关函数的结构损伤识别试验分析

提出了基于结构振动响应互相关函数分析的损伤识别方法。通过八层剪切型钢框架结构模型在模拟白噪声随机激励作用下的试验分析,利用相邻测点响应的互相关函数幅值向量变化,构造损伤识别因子进行结构损伤判定、定位及程度量化,结果表明该方法对结构损伤的识别具有很好的简易性及有效性,并为结构在线监测和分散式检测提供方法参考。     

飞机加筋壁板紧固件松脱损伤检测的自相关分析方法

提出了一种基于自相关函数的损伤检测方法。首先证明归一化后的结构各测点加速度响应自相关函数零点值仅与结构的模态参数有关,然后利用其构造损伤指标用于结构损伤的定位。飞机加筋壁板紧固件松脱损伤的损伤检测实验表明,该方法只需要利用结构在一定带宽白噪声激励下的加速度响应就能准确定位加筋壁板紧固件的松脱损伤,适用于紧固件松脱损伤的实时检测。     

基于振动响应内积向量和数据融合的结构损伤检测方法试验研究

提出了一种基于振动响应内积向量(Inner Product Vector, IPV)和数据融合的损伤检测方法,并进行了相应的验证试验研究。分别以随机信号和正弦信号对结构进行激励,利用加速度传感器采集结构的振动响应信号,计算结构的损伤指标,然后利用数据融合理论将结构各参考点下的损伤指标进行融合。损伤检测的验证试验结果表明,结合数据融合理论后,能够避免原始IPV方法中参考点选取对检测准确度的影响问题,并能准确进行损伤定位。两组不同激振信号的检测结果对比显示,数据融合对外激励为正弦信号的检测结果的准确度提升更为显著。     

Structural damage detection using ARMAX time series models and cepstral distances

A novel damage detection algorithm for structural health monitoring using time series model is presented. The proposed algorithm uses output-only acceleration time series obtained from sensors on the structure which are fitted using Auto-regressive moving-average with exogenous inputs (ARMAX) model. The algorithm uses Cepstral distances between the ARMAX models of decorrelated data obtained from healthy and any other current condition of the structure as the damage indicator. A numerical model of a simply supported beam with variations due to temperature and operating conditions along with measurement noise is used to demonstrate the effectiveness of the proposed damage diagnostic technique using the ARMAX time series models and their Cepstral distances with novelty indices. The effectiveness of the proposed method is validated using the benchmark data of the 8-DOF system made available to public by the Engineering Institute of LANL and the simulated vibration data obtained from the FEM model of IASC-ASCE 12-DOF steel frame. The results of the studies indicate that the proposed algorithm is robust in identifying the damage from the acceleration data contaminated with noise under varied environmental and operational conditions.     

Data based model free hysteresis identification for a nonlinear structure

In the last two decades, the damage detection for civil engineering structures has been widely treated as a modal analysis problem and most of the currently available vibration-based system identification approaches are based on modal parameters, namely the natural frequencies, mode shapes and damping ratios, and/or their derivations, which are suitable for linear systems. Nonlinearity is generic in engineering structures. For example, the initiation and development of cracks in civil engineering structures as typical structural damages are nonlinear process. One of the major challenges in damage detection, early warning and damage prognosis is to obtain reasonably accurate identification of nonlinear performance such as hysteresis which is the direct indicator of damage initiation and development under dynamic excitations. In this study, a general data-based identification approach for hysteretic performance in form of nonlinear restoring force using structural dynamic responses and complete and incomplete excitation measurement time series was proposed and validated with a 4-story frame structure equipped with smart devices of magneto-rheological (MR) damper to simulate nonlinear performance. Firstly, as an optimization method, the least-squares technique was employed to identify the system matrices of an equivalent linear system of the nonlinear structure model basing on the excitation force and the corresponding vibration measurements with impact test when complete and incomplete excitations; and secondly, the nonlinear restoring force of the structure was identified and compared with the test measurements finally. Results show that the proposed data-based approach is capable of identifying the nonlinear behavior of engineering structures and can be employed to evaluate the damage initiation and development of different structure under dynamic loads.     

Structural damage detection using time domain responses and an optimization method

An efficient method is proposed to determine the location and severity of structural damage using time domain responses and an optimization method. The time domain responses utilized here are the nodal accelerations measured at the limited points of a structure subjected to an impulse load. The nodal accelerations of the structure are obtained by Newmark time integration method. Firstly, using nodal accelerations extracted for the damaged structure and an analytical model of the structure, an objective function is defined for optimization. Then, the optimization-based damaged detection problem is solved via a differential evolution algorithm for finding the location and severity of damage. In order to assess the accuracy of the proposed method, four numerical examples are considered. Simulation results reveal the efficiency of the method for properly identifying damage with considering measurement noise.     

利用组合参数的结构损伤识别及试验研究

利用状态向量直接求导的新方法，全面地分析了基于结构振动模态参数(频率、特征向量和动柔度)关于设计参数(质量、刚度和阻尼)的相对灵敏度。该方法比传统的方法计算简单方便，而且弥补了传统方法中参数考虑不全的缺点，这样更符合实际工程。对一框架结构进行了数值模拟分析，研究表明动柔度矩阵关于结构刚度灵敏度相对于其他模态参数为最高，振型次之，频率为最小，这对选取损伤特征参数时有重要参考价值。提出由结构前几阶固有频率变化率、频率变化比值以及动柔度置信因子构成的组合参数作为神经网络的输入向量的损伤识别方法，对于多种工况进行了框架结构模型的振动试验。试验结果表明：采用组合参数训练的神经网络，对结构损伤位置和程度识别较采用单一参数具有更好的识别效果。     

基于EEMD与FastICA的损伤异常识别与定位

为了准确地提取结构损伤异常信息,消除小波奇异值分解时存在需要特定的小波基和分解层数以及经验模态分解（EMD）方法存在诸如虚假模态混叠等问题,本文提出了一种基于改进的总体平均经验模态分解（EEMD）与快速独立分量分析（FastICA）相结合的提取结构损伤特征并进行识别与定位的新方法。首先,通过EEMD对结构动力响应信号进行预处理并用 FastICA提取出包含损伤信息的特征分量对结构响应异常进行识别和初步定位;然后,计算归一化的源分布向量(NSDV)的最大值,并根据该最大值精确定位结构损伤。最后,通过框架数值算例和试验进行了所提方法的验证,结果表明该算法能够较好地进行结构损伤异常的识别与定位。     

基于经验模式分解的框架结构螺栓松动检测实验研究

螺栓松动损伤具有非线性特征,在低、高频激励共同作用下,结构动力响应会出现高频激励与结构固有频率之间的调制现象。利用该调制现象,本文发展了一种基于经验模式分解(EMD)的螺栓松动检测方法,分别对高频正弦和随机激励下结构响应信号进行EMD分解并作功率谱分析,采用EMD分解后含有调制成分的高频固有模式函数(IMF)构造能量损伤指标来识别结构螺栓松动。采用多尺度法进行单自由度非线性模型分析解释高频调制现象,并通过螺栓连接框架结构的振动实验验证了该方法的有效性。结果表明,螺栓松动时,响应信号频域中出现高频激励与固有频率间的调制成分,所构造的能量损伤指标能够有效识别螺栓松动损伤,并且对于初始松动损伤识别更为敏感。