高层剪切型结构的参数识别与损伤检测

本文首先提出了一种基于结构测量响应和神经网络技术进行结构参数识别的方法,然后根据剪切型结构的特点,提出了该类结构的参数识别策略与损伤检测方法,即根据需要可一次或分次识别结构的所有参数,并通过对比不同时期识别的结构刚度值,进行结构损伤判别及识别损伤位置与损伤程度,仿真计算结果表明,即使测量响应存在较高的随机噪声,本文方法识别的结构刚度值仍具有很高的精度,并能准确实现结构损伤判别与定位,显示了该方法用于实际工程结构损伤检测的潜力。     

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。     

基于径向基函数神经网络的编织复合材料结构脱层损伤监测研究

鉴于传统的BP网络的速度慢和局部极小值问题，以及针对基于实验数据训练神经网络存在样本不足的缺陷，文中提出了利用径向基函数（Radial Base Function，简记为RBF）神经网络通过有限元方法对含有脱层损伤的复合材料试件进行数值模拟，把前五阶弯曲模态频率进行修正，以修正后的前五阶弯曲模态频率再经过归一化处理构建训练样本的新思路，将实验模态分析结果经归一化处理后送入训练好的RBF神经网络进行预测，从而实现对编制复合材料梁的脱层损伤定位和损伤程度评估。最后给出了编织复合材料结构损伤大小伤识别及定位的算例，仿真结果表明RBF神经网络速度快，稳定性好，精度高，在复合材料结构损伤监测中具有光明的应用前景和重要的工程应用价值。     

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。     

基于人工神经网络的结构损伤识别方法

根据观测的结构频率变化,建立了基于人工神经网络的悬臂梁结构损伤识别方法.把结构固有频率的变化率作为BP神经网络的输入参数,对悬臂梁结构模型进行了损伤数值模拟计算.为了提高神经网络的泛化推广能力和收敛速度,将BFGS优化方法应用到神经网络的训练过程中.数值计算结果表明,所建立的结构损伤识别方法具有收敛速度快、识别精度高等特性.     

基于小波分析的结构损伤检测

损伤结构的动力特性具有局部时变的特征，小波变换在时域和频域都具有表征信号局部特征的能力，小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节，因此可以对损伤结构的非线性动力特性能进行有效的分析。提出运用小波分析提取结构损伤特征向量的方法和基本原理，并进一步用神经网络进行损伤位置和程度的检测。文章通过一个两层框架的模型对小波神经网络和传统的BP网络的损伤识别精度作了对比。研究表明，小波神经网络的抗噪声能力较强，损伤识别的效果更好，运用小波神经网络进行结构损伤识别精度要优于传统的BP网络。     

用概率社会网络进行结构损伤位置识别

在不计测量误差情况下,神经网络能够成功地识别损伤位置及其程度,但在测量噪声影响下,神经网络的损伤识别效果则比较差,考虑到基于多变量模式分类的概率神经网络具有处理受噪声污染的测试数据的能力,本文将可能的损伤位置作为模式类,利用概率神经网络的分类能力来识别结构的损,地对两个算例,一个六层框架和一个两层框架进行数值模拟分析,并将概率神经网络与BP网络进行了比较,结果表明,概率神经网络具有更好的识别效果,是一种很有潜力的结构损伤位置识别方法。     

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。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。