基于小波分析的简支梁桥损伤识别

提出了基于小波子带信号能量曲率变化的损伤识别方法。分别对完好和损伤状态下结构的振动响应进行二进离散小波变换,通过信号子带分解与重构将响应分解到不同频带,使叠加的模态响应分离。定义了信号相对能量曲率差损伤指标,利用该指标对结构的损伤进行识别定位。应用此方法对一简支梁桥进行损伤数值分析,结果表明:二进离散小波变换可以对结构振动响应中叠加的多阶模态信息进行有效分离;信号相对能量曲率差指标可以对损伤进行有效识别,且不受激励位置及荷载大小影响。最后通过模型实验验证了该方法的正确性及可行性。     

改进的小波包能量指标在结构损伤识别中的应用

小波包分析采用时域和频域结合的方法对振动信号进行分析,在时频两域都具有表征信号局部特征的能力。大量研究成果表明小波包能量和模态柔度都对局部损伤变化非常敏感,通过离散小波包分解对冲击荷载作用下结构振动响应加速度信号进行各频带的分解与重构,在模态柔度曲率差思想的基础上,定义相对小波能量柔度曲率差损伤指标,对损伤进行定位。通过连续梁的数值模拟及连续梁的试验验证,并与仅基于相对小波包能量曲率差的方法进行比较,进一步说明该方法的可行性。     

基于小波包能量的桥梁损伤识别指标

为达到桥梁结构损伤识别的目的,基于小波包分析方法提出了小波包能量变化率平方和(the sum square of wavelet packet energy change rate,简称WPERSS)损伤指标。分别将健康与损伤结构的加速度响应信号进行小波包分解得到小波包能量,通过计算小波包能量变化率平方和损伤指标进行损伤识别。对简支梁模型进行数值模拟,分析单一损伤与两处损伤时不同损伤程度的损伤识别情况,分析不同噪声水平对识别效果的影响。结果表明,该指标可有效识别损伤位置且对噪声具有鲁棒性。对装配式双塔斜拉桥模型进行试验,联合多个测点响应的损伤指标可以判别结构的不同损伤状态,验证了小波包能量变化率平方和指标的有效性。     

基于小波包变换的梁体损伤识别

由于小波包变换在分析非平稳信号方面较傅立叶变换更为有效，提出了基于小波包变换的能量变化率指标进行损伤识别的方法。首先，将得到的结构响应信号进行小波包分解，然后通过小波包能量变化率指标来进行损伤定位。通过3种不同损伤工况的梁体室内试验证明．损伤指标可以准确地识别损伤位置。     

基于小波神经网络的RC梁损伤识别试验研究

简要阐述了小波包分析及BP神经网络理论，利用小波包变换对获得的加速度信号进行分解和重构，求解各频带内的信号能量，将其作为神经网络输入参数，对神经网络进行训练，然后利用该网络进行损伤检测。按上述方法，通过有限元分析对RC梁进行损伤模拟，建立了结构损伤识别神经网络。按同样的构造制作了RC试件，并进行了损伤试验研究，对试验中在不同损伤情况下采集的加速度信号进行小波包分解和重构，将得到的能量向量输入已建网络判断结构的损伤。从试验结果可以看出诊断误差很小，能够满足实际工程要求。     

光纤光栅型智能结构损伤识别的小波包分析

基于结构振动监测技术,采用小波包分析方法对采集的结构振动信号进行了小波分解。介绍了小波包分解技术,提出将小波包能量谱作为损伤指标用以表征结构的损伤状态。在相同损伤位置不同损伤程度、不同损伤位置相同损伤程度的两种情况下对试件进行了六种不同损伤工况的振动信号分析。数据分析结果表明,结构的损伤将导致结构振动信号小波包分解中特定阶数的能量增加,而所提出的损伤指标对结构的损伤程度、损伤距离及损伤位置与光栅传感器之间的角度均敏感,实验中能够识别12 g重物且距离光纤光栅传感器30 cm的损伤,表明对智能结构的在线损伤识别是可行的。     

基于曲率模态和小波变换的结构损伤识别方法

在结构曲率模态基础上,提出了一种基于小波变换的结构损伤检测和定位方法.利用双正交小波函数对损伤前后结构的曲率模态进行小波变换,通过损伤前后小波变换系数的变化和分布情况建立了结构损伤指标,可判定损伤存在,确定损伤位置和估计损伤程度,并通过一两端简支梁的数值模拟对该方法进行了验证.     

压电柔性梁裂缝损伤识别实验

针对压电柔性悬臂梁裂缝损伤检测与损伤程度识别问题,采用小波包分析和小波神经网络相结合的方法进行裂缝深度识别实验研究.利用小波包频带能量谱构造柔性悬臂梁裂缝损伤指标,即能量比相对变化量的H2范数,并建立压电柔性梁裂缝损伤实验装置.激励柔性梁的振动,记录两路压电传感器采集的振动信号,进行小波包分解并计算损伤指标.将这些损伤指标进行组合,作为小波神经网络的输入特征参数,进行裂缝深度即损伤程度的识别.实验结果表明:能量比相对变化量的H2范数对柔性梁的裂缝损伤敏感,对测试噪声不敏感;采用的小波神经网络可以精确识别柔性梁的裂缝深度.     

基于改进单元损伤变量的结构损伤识别概率统计方法

针对测量噪声的存在严重影响了识别结果的稳定性和可靠性,选取改进后的单元损伤变量作为损伤识别指标与概率统计方法相结合,借助统计量和假设检验方法确定损伤判别临界值,得到检验的判错概率,消除测量噪声的不利影响,根据结构损伤前后参数统计值的变化,给出统计意义上的损伤识别结果。算例分析表明,基于改进单元损伤变量的结构损伤识别概率统计方法对噪声有很强的鲁棒性,能有效避免损伤误判的发生。     

改进蝴蝶算法优化核极限学习机的柴油机故障诊断

为提高柴油机故障诊断的精度和效率,提出一种基于改进蝴蝶算法(IBOA)优化核极限学习机(KELM)的柴油机故障诊断方法。考虑到KELM的诊断精度受参数影响较大的实际,在研究蝴蝶算法(BOA)的基础上,提出IBOA算法对参数进行优化选择,以提高KELM的故障诊断性能。柴油机故障诊断实例表明,所提方法在提高柴油机故障诊断精度的同时,减少了耗时,比其它几种方法的效果更好,具有一定的优势。     

基于改进CHC遗传算法的结构损伤诊断研究

提出了一种改进的CHC遗传算法,用频率误差和振型误差函数构建目标函数和适应度函数,该方法继承了普通遗传算法和CHC算法的优点,提高了算法的收敛速度。数值算例表明,用改进的CHC遗传算法进行结构损伤诊断时,单构件损伤比SGA算法的计算时间缩短60%,多构件损伤可缩短80%。     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

运用改进残余力向量法的结构损伤识别研究

针对结构损伤识别时测试结构模态振型不完备的情况,采用了自由度凝聚方法进行模型凝聚,并给出了缩聚模型的残余力向量计算公式,证明了残余力向量对结构损伤单元的敏感性.为减小自由度凝聚及测量等因素带来的误差影响,提出了一种改进的残余力向量法.该方法首先通过测试损伤结构多阶模态得到残余力向量,并计算相对于损伤前结构的残余力向量得到残余力向量差矩阵,选取向量差矩阵各行元素中最大绝对值组成改进的残余力向量.损伤识别时,先运用改进的残余力向量确定可能损伤单元,再运用筛选法计算单元损伤程度.数值仿真算例说明,采用该方法只需结构的前几阶低阶频率和振型,就可以快速准确地识别出结构的损伤,显示了该方法具有较好的抗噪性.     

基于声音信号的结构损伤识别方法

随着对设备可靠性要求的提高,在生产过程中需要对关键设备的重要零部件在主要工序之后全部进行结构损伤检测,在服役过程中需要对关键设备重要零部件定期在线进行无损检测。为了克服现有的结构损伤检测方法的不足,满足工程实际的迫切需要,利用基于声音信号的结构损伤检测具有非接触测量、高效、可在线检测等优点,构建了一种基于声音信号的结构损伤识别模型。该模型的核心包括信号降噪、特征提取、基于距离评估的损伤敏感特征选择以及基于支持向量机的状态识别。将该模型应用于实验悬臂梁和铁路转辙机动作杆的裂纹损伤识别,结果表明,识别准确率均为100%,且识别过程仅需几秒,验证了该模型的有效性和可行性     

基于自适应粒子滤波的结构损伤识别

为了解决传统粒子滤波方法粒子数量的选取较难确定的问题,提出一种非平稳动力系统突变参数识别的自适应粒子滤波方法(简称APF方法).该方法利用系统后验概率密度与当前粒子集概率密度的K-L距离,自适应地更新采样粒子数量,在大幅降低识别过程中计算量的同时,不影响识别精度,使之更适合进行在线的结构系统参数识别.数值仿真结果发现,该方法的系统识别时间仅为传统粒子滤波方法的1/4,这证明了该方法在结构损伤在线识别中的有效性.     

利用单传感器数据基于GAF-CNN的结构损伤识别

为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场（Gramian angular field, 简称GAF）和卷积神经网络（convolutional neural networks,简称CNN）的结构损伤识别方法。采用GAF理论将原始振动信号分别转换为格拉姆角和场（Gramian angular summation field,简称GASF）和格拉姆角差场（Gramian angular difference field,简称GADF）二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet-5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别。以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响。结果表明：所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100%,单条样本测试时间为8.5ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型。     

载荷影响下的机电阻抗协整结构损伤识别方法

高频机电阻抗(electromechanical impedance, 简称EMI)方法利用粘贴在结构表面的压电传感器(piezoelectric transducer, 简称PZT)进行主动激励,通过连续监测和分析PZT机电导纳信号的变化评估结构的健康状态;然而EMI方法容易受到环境工况变化的影响,导致结构损伤的误报。针对此问题,采用时间序列协整方法处理及消除结构工作载荷对阻抗谱特征信号的影响。该方法是基于结构动荷载作用下PZT阻抗谱导纳信号的非平稳特征,将动荷载影响下的阻抗谱非平稳时间序列经线性组合变换成平稳时间序列,根据得到的协整余量序列有效判断结构的健康状态。为验证该方法的有效性,开展了动应力影响下铝梁结构的螺栓松动损伤识别实验。结果表明,协整消除了动态应力对EMI方法的影响,当铝梁内存在持续变化的应力时,仍可以准确识别螺栓松动。机电阻抗协整方法能够消除结构健康监测中荷载作用的影响,及时准确地进行结构损伤识别。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

基于改进自适应遗传算法的固定结合面动态特性参数优化识别

针对固定结合面传统建模方法精度较低和结合面的动态特性参数难以确定的问题,改进了基于弹簧阻尼单元的建模方法,提出了基于实验模态分析和改进自适应遗传算法的固定结合面动态特性参数的优化识别方法。该方法以有限元计算的理论固有频率和阻尼比与其对应实验模态分析结果的相对误差最小为目标函数,使用改进的自适应遗传算法优化识别固定结合面的刚度和阻尼参数。以自行设计制作的固定结合面模型为研究对象进行了建模、实验、参数识别等分析,分析结果表明：所提出的方法是正确的、有效的,参数识别误差在5%以内,达到了较高的识别精度。     

基于结构优化设计的新算法研究

在开发优化软件过程中，采用模块化的设计方法，集成现有有限元分析软件，完成结构特性分析，提取其分析结果，调用高效的优化方法完成优化计算。所提出的结构优化设计算法充分利用了现有有限元分析软件强大的分析功能和高效优化方法的优越性，同时避免了优化程序设计中重复开发有限元分析部分，提高了优化效率。优化算例表明，该算法切实可行，有较强的工程实用性。