基于高效神经网络的框架结构节点损伤的多重分步识别方法

提出了基于神经网络的框架结构节点损伤的多重分步识别方法,建立了用于框架结构节点损伤识别的高效神经网络法。根据节点损伤的多重分步识别思路,把节点损伤识别主要分为四步:第一步利用神经网络建立损伤异常过滤器对节点损伤进行预警;第二步以频率构造的组合指标作为神经网络输入向量,对节点损伤进行初步定位;第三步以归一化的应变模态差绝对值作为神经网络输入向量,对节点损伤进行具体定位;第四步以应变模态差绝对值作为神经网络输入向量,对节点损伤程度进行识别。针对三跨四层的框架结构进行了节点损伤识别数值模拟,结果表明:应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构节点损伤进行预警、定位和定量。     

基于神经网络的框架结构构件损伤识别研究

采用多重分步识别方法对框架结构构件损伤识别研究。第一步对构件损伤进行预警;第二步识别构件损伤所在的楼层;第三步在识别出的楼层内对构件损伤具体定位;第四步对构件损伤程度进行识别。以三跨四层的框架结构为计算模型进行了数值模拟,研究表明,应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构构件损伤进行预警、定位。     

基于均匀设计试验的框架结构正分析分步式损伤识别方法

为对框架结构柱损伤位置和程度进行识别,应用均匀设计方法构建可用于结构损伤正分析档案库的试验表,按此试验表对抽样出的损伤位置和程度进行BP神经网络训练.训练后的神经网络根据分步式识别方法,以固有频率对结构出现的损伤进行层定位,再以位移变化率对损伤进行构件定位,同时反馈获得构件的损伤程度.通过2个模型结构损伤识别的算例,分别验证了所构建神经网络和识别参数的正确性,以及基于均匀设计试验分步式损伤识别方法的有效性.计算结果表明均匀设计试验可在保证识别效果的同时,大幅减少神经网络的训练次数;分步识别方法可对框架结构损伤位置进行精确判定,克服了一步识别框架损伤或单独使用某种参数进行损伤识别的缺陷.     

基于均匀设计实验的框架结构损伤识别应用研究

为对不规则框架结构的柱进行损伤识别,由位移指标对损伤初步定位后,利用均匀设计思想构造分步识别方案,通过BP神经网络利用频率和位移指标对损伤构件进行具体定位。通过6层框架数值模拟结果表明此方法克服了大型均匀设计表偏差过大,以及单一参数进行损伤识别的缺陷,能够较好地对框架结构损伤位置进行精确判定。     

基于GRNN神经网络的桁架结构损伤识别的两步法

损伤识别方法是结构健康监测系统的重要组成部分。基于广义回归神经网络(GRNN)模型,建立了结构损伤识别的两步法,构造了用于损伤定位和损伤定量的不同损伤识别组合损伤指标,并引入模态应变能系数选择节点,最后,结合典型桁架结构进行了损伤识别数值模拟研究。结果表明,即使在只获得低阶频率和少量节点一阶振型数据且含有噪声的情况下,采用构造的组合参数,GRNN神经网络对损伤位置及损伤程度识别都取得了比较理想的识别效果。     

结构损伤定位与定量识别方法研究

针对结构损伤问题,采用损伤定位、定量的分阶段识别方法,即利用柔度曲率改变率指标来确定结构损伤的具体位置,然后以频率改变率为输入参数构建神经网络对损伤部位进行程度识别。通过对一个简支梁的仿真计算,表明上述方法能判别损伤位置和程度,且识别精度较高。     

径向基函数神经网络在桥梁结构损伤识别中的应用

鉴于新旧桥梁在日常运营中缺乏连续、实时的损伤情况分析,基于桥梁结构损伤识别与机器学习中的径向基函数理论,提出了2种损伤识别方法.一是分步识别法,运用频率的变式识别损伤位置,曲率、频率组合输入识别损伤程度,得到了88％以上的位置识别正确率与92％以上的程度识别正确率,适用于对准确率要求较高的结构损伤识别.二是综合识别法,...     

桁架结构损伤识别的数据融合方法研究

以数据融合技术进行桁架结构的单损伤和多损伤识别。通过研究基于频率的结构损伤理论,分析归一化的频率和损伤位置的关系;利用小波概率神经网络的算法对决策融合进行修正,建立基于小波概率神经网络的数据融合结构损伤识别模型。运用结构计算软件计算了一典型桁架结构的频率,并融合为小波概率神经网络算法的输入特征向量,并对桁架算例模型结构进行损伤识别。通过桁架不同位置的损伤情况,验证该方法的有效性,并提出工程应用中应注意的问题。研究结果表明,基于小波概率神经网络算法的数据融合技术是一种比较可靠的损伤识别方法,具有良好的工程应用前景。     

基于改进后的BP神经网络在混凝土桥梁损伤识别中的应用研究

混凝土桥梁的损伤识别与定位是目前的研究热点之一。本文在传统BP神经网络的基础上对其进行改进,并将改进后的BP神经网络应用在混凝土桥梁损伤定位与识别过程中。首先建立了识别桥梁的数值有限元模型,然后得到不同损伤情况下的桥梁自振频率和曲率模态值。将自振频率和曲率模态值作为改进后BP神经网络的输入参数,以有限元单模型中的损伤位置和损伤程度作为输出值,进而实现对桥梁结构的损伤定位和损伤识别。最后通过南京浦仪公路混凝土简支梁和连续梁为工程背景进行了验证。结果表明：采用改进后的BP神经网络可以很好的实现对桥梁的损伤定位和损伤程度的识别,并且具有很好的识别精度。即使在噪声存在的情况下,改进后的BP神经网络仍然可以达到很好的识别效果。     

基于RBF神经网络的网架结构损伤识别试验研究

针对网架结构损伤识别中模态密集、自由度高等困难,利用RBF网络良好的容错性和鲁棒性,依据损伤前后的网架结构模态参数发生变化理论,提出了基于模态参数和RBF神经网络的网架结构损伤识别方法。以一个6 m×7.5 m的正放四角锥网架结构为研究对象,首先依据连续倒塌理论计算各杆件的重要性系数,确定模拟损伤杆件位置;然后以损伤前后结构的标准化频率平方变化率及标准化位移振型的组合参数作为RBF神经网络的损伤指标,利用有限元分析得到学习样本,试验分析结果作为测试样本。采用二阶段损伤识别方法,首先在所有杆件中排查出可疑受损杆件位置,最后再精确识别损伤位置和程度。结果表明,该方法能够很好地识别网架结构的损伤位置和程度。     

框架结构震后损伤的精确定位

基于频率易测且精度较高的特点,提出了框架结构损伤诊断的三步法。首先确定损伤杆件:把频率看作损伤参数的函数,以结构的每根杆件为一个单元,通过测量结构损伤前后频率的变化,构造以损伤参数为未知量的线性方程组,求解得到受损的构件。其次,把受损杆件划分成若干单元,再次构建方程组并求解,确定出损伤的具体位置和程度。最后,采用数理统计的方法,解决了由于测量误差影响诊断精度的问题。通过对一个2层框架结构进行数值模拟分析,表明其损伤识别效果较好。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于神经网络的框架结构破损评估

提出了基于神经网络的框架结构破损评估方法，为动力条件下结构的破损评估提供了一条新的途径。通过计算模拟，对本方法的适用性和有效性进行了讨论，数值结果证实了该方法的可行性。     

大跨度空间网格结构的损伤定位

本文建立了基于模态曲率法和人工神经网络技术相结合的、适用于大跨度空间网格结构的损伤定位新方法,即首先应用模态曲率法判断结构是否发生损伤并识别发生损伤的局部结构,然后对发生损伤的局部结构利用人工神经网络技术识别损伤的准确位置。通过分析和比较发现,以模态曲率为基础的损伤参数比较适合于大跨度空间网格结构的损伤定位,三种以模态曲率为基础的损伤定位参数按有效性进行排序,从低到高依次为模态曲率、模态曲率差、模态曲率变化率;针对天津奥林匹克中心体育场大跨度悬挑管桁结构进行了不同损伤状况的数值模拟,验证了所建立的损伤定位方法的适用性和有效性。研究结果表明:利用模态曲率变化率识别损伤发生的大致位置,当单榀桁架发生损伤时,识别的准确率达到100%,当多榀桁架同时发生损伤时,识别的准确率达93.7%;采用人工神经网络技术识别损伤桁架的准确损伤位置时,在无测量噪声影响下,损伤定位的准确率达到97.0%,且测量噪声对损伤定位准确率的影响很大。     

基于神经网络的框架结构损伤诊断的探讨

振动模态分析技术和神经网络技术是解决结构损伤诊断问题的有效工具。分别对组合结构、框架结构的动力参数进行计算,并模拟组合结构的各种单损伤情况、框架结构的单损伤和双损伤情况的各种组合,提出了修正隐含层层数公式和优选振型向量的方法。说明了用低阶振型和经优选后的振型向量结合的方法进行组合结构、框架结构损伤诊断的可行性。     

A wavelet-based technique for damage quantification via mode shape decomposition

In this study, a neuro-wavelet technique was proposed for damage identification of cantilever structure. At first, damage localisation was accomplished through mode shape decomposition using discrete wavelet transforms. Subsequently, a damage indicator was defined based on the detail coefficients of the decomposed signals. It was found that distinct patterns relate the damage indicators to damage locations. Considering this property, a neural network ensemble was developed for damage quantification. Damage indicators and damage locations were selected as input parameters for the neural networks. Three individual neural networks were trained by input samples obtained from different combinations of decomposed mode shapes. Then, the outcomes of the individual neural networks were fed to the ensemble neural network for damage quantification. The proposed method was tested on a cantilever structure both experimentally and numerically. Six different damage scenarios including three different damage locations and three different damage severities were introduced to the structure. The results revealed that the proposed method was able to quantify different damage levels with a good precision.     

应变模态指标在平板网架结构损伤识别分析中的应用

平板网架结构在实际工程中应用广泛,针对此类结构的损伤识别研究显得尤为重要.由于避免了重新建模引入的系统误差,无模型的损伤识别理论正日益受到重视,并已被应用于梁式构件的健康监测.文中引入了一种应变模态指标,将无模型损伤识别理论应用于平板网架结构中.以折减杆件截面面积的方式来模拟杆件损伤,数值分析了5种具有代表性的损伤工况,在数值计算结果中引入了白噪声,并取部分杆件作为监测杆件.损伤识别分析结果显示,损伤杆件的应变模态指标为结构所有杆件中最高的.通过比对各杆件的应变模态指标,便能对发生在结构中上弦杆、下弦杆以及腹杆等不同位置的损伤进行识别.同时,损伤杆件周围杆件的应变模态指标也会比无损杆件的指标较大,在损伤点周围会出现一个损伤指标显著的区域.另外,当结构中两根或多根杆件同时损伤时,应变模态指标也能识别出全部损伤杆件.