基于Elman网络的齿轮箱载荷识别研究

为了提高Elman网络的动态性能，有效地解决高阶系统的辨识问题，对Elman网络的结构及学习算法进行了改进，提出了一种新的Elman网络，建立了相应的神经网络载荷识别模型，并用于齿轮箱的载荷识别研究。试验结果表明，该网络模型具有收敛速度快、识别精度高的特点，为载荷识别研究提供了一种新的思路，具有一定的实用价值。     

基于Wilson-θ显式算法的动载荷快速定位及重建方法EI北大核心CSCD

通过将Wilson-θ数值算法转变为一种等效的显式表达式,由此建立了一种基于Wilson-θ显式算法的动载荷识别方法。在选取合适的参数θ值以后,该算法是无条件稳定的,并且避免了以往隐式识别算法中由于递推计算产生误差累积导致识别结果严重发散的问题。通过引入响应系数矩阵,该显式算法可以灵活地选取响应类型用于载荷识别计算。同时结合分离变量方法,将载荷位置信息从建立的模型矩阵中提取出来,由此减少矩阵求逆的次数,提高载荷定位计算的效率。结合简支梁的仿真算例与试验测试对该载荷识别方法进行验证。研究结果表明,基于Wilson-θ显式算法的动载荷快速定位及重建方法能够有效地识别得到载荷位置及相应的时间历程。相对于传统载荷识别方法,该方法计算结果的准确性更好,且运算效率更高。     

分布动载荷频域识别的试验动标定方法研究

分布动载荷识别是工程中最为复杂也亟需解决的结构动力学逆问题，通常可以转化为正交多项式系数的识别，从而衍生出了动标定技术。传统的仿真动标定方法是基于有限元仿真模型来实现的，然而仿真动标定方法存在模型误差，导致载荷识别精度不高。因此本文基于 Legendre 正交多项式和 Gauss?Legendre 积分提出了分布动载荷频域识别的试验动标定方法。该方法的关键是通过测量有限的高斯点和响应点间的频响函数来完成分布载荷识别过程中的动标定，克服了传统标定在试验时无法加载正交多项式载荷计算标定矩阵的局限性，同时避免了模型误差对标定矩阵精度的影响，大大提高了载荷识别的精度。为了验证该方法的有效性和精度，将本文所提出的试验动标定方法与现阶段已有的仿真动标定进行了对比分析，并讨论了不同高斯点数对识别精度的影响及抗噪性能；此外，还通过相应的试验进一步验证了该方法的可行性与工程适用性。     

基于LSTM和响应分解的冲击载荷识别方法研究

同一量级的冲击载荷所产生的动响应要远大于静态响应,因此准确识别冲击载荷对于航空器结构件的动强度设计、校核与结构健康监测都具有重要意义。该文章提出的方法主要针对一般线性结构的冲击载荷识别问题,从实测冲击响应应变信号出发,主要解决了冲击载荷与响应信号样本长度不一致这一突出矛盾。首先基于冲击响应信号分解方法来进行振动信号特征提取,然后基于长短期记忆神经网络对载荷和响应信号样本特征进行映射,从而实现冲击载荷识别。通过对挂架模型实测冲击载荷信号进行识别,结果表明4种工况下,该方法识别的冲击载荷的均方根相对误差小于0.6,相关系数大于0.94。结果初步表明,在理想的试验环境中,该方法具备一定的识别精度。     

不确定性动力学系统上随机载荷识别改进算法

针对不确定性动力学系统,提出一种基于随机有限元模型的随机动载荷识别改进算法。假设载荷作用位置和系统随机参数已知,且随机系统参数和随机动载荷均服从高斯分布,利用K-L展开和混沌多项式展开分别表示系统随机参数和随机响应,建立随机系统的动力学方程;依据仅由随机动载荷引起的系统随机响应协方差和仅有系统随机参数引起的系统随机响应协方差之间的关系式,由随机动响应样本识别随机动载荷的统计特性。针对一悬臂梁结构开展数值仿真研究和试验验证。结果表明:所提出的基于混沌多项式展开的识别改进算法比现有的识别算法在方差识别精度上有了较大幅度的提高,该方法在不确定性系统随机水平较高时仍具有较好的识别精度。     

面向船体结构动冰载荷监测的线性形函数识别方法研究EI北大核心CSCD

船体结构冰载荷监测系统中的载荷识别算法是对船舶在冰区安全运行进行实时评估的关键环节,而常用的影响系数矩阵法尚未考虑冰载荷的动力效应。在时域内将动冰载荷离散为诸多时间元,在每个时间元内利用线性形函数的组合形式逼近构造动冰载荷;通过结构的动力响应分析得到形函数的响应矩阵,并以此建立船体结构冰载荷识别的正问题。利用共轭梯度最小二乘迭代型正则化算法和终止迭代准则对冰载荷识别问题中的不适定性进行控制。该数值算例和试验验证均表明,该冰载荷识别模型具有良好的识别精度、求解速度及稳定性。     

二维分布动载荷识别的频域方法

运用频域法在广义正交域中识别二维分布动载荷。基于数学拟合理论，二维动态载荷在广义正交域中可分解为二维正交函数的级数形式，未知的二维分布动载荷就可以表示为各阶正交基函数线性叠加，这时未知的复杂分布动载荷的识别就可以转化为简单的正交拟合系数的识别。根据线性系统的叠加原理，将待识别载荷的分解基函数看成已知分布动载荷作用于结构时，结构的响应与待识别载荷作用下结构的响应成线性关系。只要结构实测的响应点数大于待识别的系数，就能求出各系数，因而就可以识别分布动载荷。通过计算机仿真验证该方法能有效识别二维分布动载荷，且能与有限元方法结合，识别复杂结构上的分布动载荷。该方法具有很好的通用性，能简单方便运用于工程结构，能很好地抑制噪声的干扰。仿真试验说明该方法具有很好的识别精度。进一步的试验验证了该方法工程适用性。     

复杂分布动载荷识别技术研究

复杂结构的分布动载荷识别技术是动载荷识别技术的难点之一。本文推导了基于广义正交多项式特征技术动载荷识别模型，解决了在一定精度范围内通过有限测量点的振动信息识别具有无限未知量的分布动载荷关键技术，通过动态标定技术的研究和复杂结构有限元模型数值仿真计算，验证了方法的正确性、有效性和工程可用性，适用于具有确定性分布的稳态振动载荷识别．为分布动载荷识别技术的发展打下一定的基础。     

H∞-学习神经网络的非线性系统识别

基于H∞-滤波算法提出了一种有效的回归神经网络学习方法。该方法能有效解决系统模型和噪声统计特性存在不确定的问题。在利用神经网络进行非线性系统识别中，该方法对任意的网络结构能进行整体优化训练，具有良好的泛化能力。在非线性结构系统识别中验证了该方法的可行性与有效性。     

基于BP神经网络的星箭界面动载荷识别

提出一种基于BP神经网络的星箭界面动载荷识别新方法。建立卫星结构的高保真动力学模型,利用仿真分析/地面试验获取的卫星结构加速度响应与星箭界面加速度激励的样本库;基于BP神经网络训练卫星结构加速度与星箭界面加速度激励的传递关系,利用实测卫星结构加速度响应识别星箭界面加速度激励;将星箭界面加速度激励施加与卫星结构的高保真动力学模型获取星箭界面动载荷。开展了数值仿真和振动试验,验证了所提出方法的有效性,为服役状态下卫星结构的振动载荷环境预示提供有力支撑。     

基于遗传神经网络的履带行驶系统载荷识别方法

针对煤矿掘进机器人履带行驶系统工作环境恶劣,载荷无法直接有效获取这一工程实际问题,提出了基于遗传神经网络的振动信号载荷识别方法。构建了遗传算法(GA)优化BP(back propagation)神经网络载荷识别模型,采用路试法试验采集了履带小车的5组振动加速度数据和单组应力载荷数据,探讨路面不平度频率和驱动轮啮频等对履带车振动和应力载荷的影响规律;借助快速傅里叶变换(FFT)对原始应力载荷数据进行去噪处理,依据履带小车行驶平顺性指标,利用sym8小波函数对振动加速度信号进行5层特征提取以提高载荷识别的精度,然后将5组小波变换分解的加速度数据和滤波后的应力载荷数据分别作为GA-BP神经网络的输入和输出进行训练及验证,揭示了履带行驶系统运动过程中振动与应力载荷之间的关系。研究结果表明,路面不平度频率、驱动轮啮频及转频为小车振动的主要频率成分,路面不平度引起的振动频率为13.765 Hz,驱动轮啮频为68.25 Hz,转频为3.25 Hz。多组试验得到的BP神经网络最佳隐含层神经元数为63,GA-BP神经网络识别的应力载荷与期望应力载荷具有较高吻合度,相对误差为4.5%,验证了该方法的有效性...     

基于BP神经网络的桥上移动荷载分阶段识别方法

移动荷载识别可作为桥梁损伤机理研究的基础,同时为交通规划提供可靠的车载信息。提出了一种基于BP神经网络的桥上移动荷载的分阶段识别新方法。建立了桥梁有限元模型和2自由度5参数车辆模型,模拟生成了神经网络训练样本。采用分阶段识别技术,分步识别了桥上车辆的位置、速度和荷载。在神经网络设计中,利用正交设计法选择训练样本集,采用正则化方法对误差性能函数进行修正,并采用遗传算法对初始权进行了优化。数值仿真了一简支梁桥的移动车辆荷载识别,并通过模型试验进行了验证。结果表明:所提出的方法能够在线、实时地识别桥上移动车辆荷载,识别精度高、收敛速度快,且具有较强的鲁棒性和抗噪能力。     

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。     

基于函数连接神经网络的传感器Hammerstein模型辨识研究

针对非线性动态传感器模型辨识问题,提出利用函数连接神经网络算法对非线性系统的Hammerstein模型进行一步辨识的方法。以多项式逼近传感器中的静态非线性环节,同时结合动态线性环节的差分方程,建立关于直接输入输出的离散数据表达式,利用改进FLANN训练求解Hammerstein模型参数。采用变学习因子的方法对FLANN算法进行改进,提高了收敛速率和稳定性。实验结果表明,该辨识方法简单有效且具有更快的收敛速度。     

一种基于最优输出跟踪的多源动态载荷识别方法

基于最优输出跟踪的基本思想,提出了一种时域内多源动态载荷识别的方法。该方法从结构动力响应出发,设计一个最优输出跟踪器并构造性能指标,将载荷识别问题转变为最优输出跟踪问题。通过Adams法求解微分方程,实现了多源动态载荷的识别,并采用L曲线法确定了性能指标中的关键参数。数值算例表明,所述的载荷识别方法能够在响应数据含有噪声的情况下,有效稳定地实现多源动态载荷的重构,具有较强的抗噪能力。     

利用结构化神经网络识别振动系统非线性特性

本文提出了振动系统非线性特性识别的结构化神经网络方法。与传统的前馈神经网络不同的是，该法把系统分为线性和非线性两部分，学习得到的神经网络可以单独识别出系统非线性模型，而不是线性与非线性综合在一起的模型。本文将其应用于振动系统非线性特性的识别。实例表明该方法是可行的。     

最小均方电液负载模拟器加载系统控制研究

在电液负载模拟器进行动态力加载时,对其快速性指标有更高要求,此时加载误差比较大的问题就凸显出来,即输出加载力的数值随加载频率的增大而增大、相位也有超前,针对加载系统的这一性能特殊变化规律与实际现象,提出基于最小均方算法的自适应神经网络控制策略。该方法对神经网络的配置权值进行实时在线调整,调整效率和算法的收敛性都有明显提高,可以有效减小控制系统工作时的循环调整时间。当输入信号经过加权运算后作用于加载控制系统时,加载误差明显减小,加载系统的快速性与跟踪精度进一步提高。仿真和实验结果表明,采用文中方法后,加载力输出的幅值增大和相位超前量得以抑制,系统动态力加载时的综合性能有所提高,所提出算法调整规则有效。     

基于RBF神经网络的复合材料层合壳荷载识别

针对有限元逆分析方法进行荷载识别的大计算量的缺陷,以及鉴于传统的BP网络的速度慢和局部极小值问题,该文提出了将有限元方法与径向基函数(Radial Base Function,简记为RBF)神经网络结合对受集中载荷作用的壳体结构进行荷载识别。通过有限元方法计算出压电元件的集聚电荷,以该电荷来构建训练样本对网络进行训练,再将没有进行训练的电荷数据送入到训练好的RBF神经网络进行预测,实现对壳体结构荷载的作用位置和大小的评估。最后给出了对壳体结构荷载识别的算例,结果表明该方法计算速度快、精度高、具有较好的应用前景。