基于RBF神经网络的结构动力损伤识别

本文针对结构动力损伤识别问题,提出了ＲＢＦ神经网络识别方法,重点讨论了ＲＢＦ神经网络的结构的算法,并在最后人出了两个工程应用实例,结果表明,ＲＢＦ神经网络识别在方法在结构动力损伤识别中不失为一种崭新有效的方法。     

基于多传感器信息融合的结构损伤识别研究

针对结构健康监测系统中的传感器数量多、数据信息复杂的特点，从模式识别和局部控制、全局参与的思想出发，提出了多传感器信息融合方法对结构损伤进行识别。首先应用小波包变换对结构振动测试数据进行特征提取，通过不同传感器特征向量的合成完成数据层融合；然后建立三个耦合神经网络分别实现结构损伤的确认、定位及定量，并完成决策层的信息融合；最后进行了36个损伤工况的结构模型实验研究，验证了所提出的方法是可行的和有效的。从实验验证的结果来看，对损伤率在7．5％以上的结构，损伤识别精度较高；对于损伤确认和损伤定位，识别精度较高，而对于损伤程度识别有一定偏差。     

用于结构损伤识别的神经网络设计

神经网络已越来越多地被用于基于振动的结构损伤识别,而如何设计了一个高效的用于结构损伤识别的神经网络却还是一个值得研究的问题,本文就结构损伤识别神经网络输入向量选择,网络构造设计等问题进行讨论,并通过数值模拟和实验数据得验证。     

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标,在分析现有识别指标的基础上,提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标,并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报,其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。     

工程结构裂纹损伤诊断神经网络方法应用

阐述了神经网络方法在结构裂纹损伤诊断中的应用.回顾了结构损伤领域中神经网络方法应用的发展历程,总结了主要研究成果,提出了有待进一步研究的重点和方向.     

建模误差对结构损伤识别神经网络的输入向量的影响

通过理论推导，得到了模型参数误差均匀分布时五种输入向量相对误差的计算公式，这些公式为结构损伤识别神经网络的输入向量的选择提供了理论指导。理论分析表明，用归一后的频率变化比或按模态点归一的一阶模态损伤信号指标构造神经网络的输入向量，能有效地降低甚至消除均匀建模误差的影响。这些公式和结论在梁和框架损伤识别的数值算例中得到了证实。此外，本对非均匀建模误差对神经网络输入向量及识别结果的影响进行了数值模拟和分析。     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

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。     

基于神经网络的损伤构件及损伤程度识别

确定损伤构件及其损伤程度是分阶段损伤识别的最后一步,同时又是进一步制定结构安全运行决策的前提和基础。研究了在确定了结构损伤区域的条件下,应用反向传播(BP)神经网络同时实现对具体损伤构件及其损伤程度识别的方法。探讨了针对上述神经网络训练数据的构造和训练策略。应用提出的方法对汲水门斜拉桥桥面结构进行了损伤识别仿真模拟。基于模态参数对损伤的灵敏度分析,选取了12个自振频率和损伤区域附近的6个振型分量作为构造网络输入的基本数据。网络的输出向量同时指示了损伤构件及其损伤程度。就模拟的10种损伤情况,当损伤程度达到60%以上时,有9种实现了正确的构件识别,半数以上给出了可以接受的损伤程度描述。     

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。     

基于结构响应统计特征的神经网络损伤识别方法

提出一种采用结构动态响应的统计特征作为损伤指标的神经网络损伤识别方法,并对其进行了数值模拟和实验验证。首先,通过敏感性分析,分析了采用结构动力响应的统计特征作为损伤指标的可行性;然后数值模拟了一三跨连续梁采用结构位移方差作为损伤指标的神经网络损伤识别过程,其结果表明,经过训练的神经网络可以准确的识别出单损伤和多损伤工况中的损伤位置和损伤程度;最后进行一组两端固定的简支梁模型实验来验证所提出损伤识别方法的有效性。实验结果表明,对于单损伤工况,神经网络可以准确地识别出结构中损伤位置和损伤程度,对于双损伤工况,神经网络可以准确地识别出损伤位置,而损伤程度识别略有偏差。最后得出结论,采用结构动力响应的统计特征作为损伤指标的神经网络损伤识别方法是可靠有效的。     

基于神经网络方法的框架结构损伤检测的试验研究

首先建立了三层试验框架结构的有限元模型，利用未损伤状态的动态测量数据，采用神经网络方法分步对原结构的有限元模型进行了修正。然后，依据修正的有限元模型，运用神经网络方法对各种实际损伤状况进行了损伤诊断。比较了仅以三阶频率作为神经网络输入向量和三阶频率及一阶振型组合作为网络输入向量对网络训练和损伤检测结果的影响。研究表明，神经网络的输入数据越充分，网络训练的收敛速度越快；利用三阶固有频率能够对该模型结构的各种损伤进行诊断，获得满意层问刚度识别的结果。     

基于神经网络的桥梁损伤位置识别

损伤位置识别是对大型桥梁结构进行损伤检测的重要一步.以汲水门斜拉桥为背景,对应用神经网络的模式分类技术识别桥面结构损伤位置的方法进行了研究.使用了两种类型的网络,简称动态网络和GA网络,探讨了这一方法的可行性.动态网络的网络结构是根据训练进程而动态地确定的.GA网络是在训练中引进了遗传算法.比较了两种网络对损伤位置的识别效果.结果表明,应用神经网络的模式分类技术对桥梁桥面结构损伤位置识别的方法是可行的.只需要较少的输入数据,两种网络均可产生较好的识别结果.     

SOFM网络在结构损伤位置识别中的应用

为实现结构的损伤定位，克服BP神经网络受病态样本影响大且抗噪声能力弱等缺点，采用SOFM（Self-Organizing Feature Map）网络，以结构振动组合损伤指标为网络输入，对一桁架结构进行了损伤位置识别研究。识别结果显示SOFM网络能够区分相似样本，由网络的拓扑图可以直观地评价网络训练和识别结果。在不考虑噪声情况下，网络可以正确识别损伤位置，在噪声水平不大于30％情况下，除个别单元外，网络对其他单元损伤的正确识别率均高于95％，显示出很好的抗噪声能力。     

基于数据融合的结构损伤识别方法研究

为提高结构损伤识别的准确率,在大型复杂土木工程结构的健康监测中引入多传感器数据融合技术,提出了基于数据融合技术的结构损伤识别方法的实用模型,建立了结构损伤识别方法的评价指标,并通过钢筋混凝土板试验分析了常用的数据融合方法——Bayes方法和D-S证据理论的有效性。分析结果表明:采用数据融合技术,结构损伤识别方法的评价指数更高,即结构损伤识别的效果更好。     

基于模型试验的悬索桥结构损伤识别研究

通过整桥模型试验, 探讨了悬索桥结构损伤识别方法. 首先面向损伤识别研究设计制作了长10m的悬索桥试验模型, 并通过模型误差分析建立了相应的高精度有限元模型. 基于悬索桥结构健康监测和试验检测的主要常用参数以及这些参数对结构损伤的灵敏性和相关性研究, 确定损伤识别策略. 采用有限元模型模拟可能的损伤工况, 从而生成BP网络的训练样本数据. 再将试验模型作为“实际结构”通过损伤模拟试验生成网络测试数据. 就试验模拟的损伤情况而言, 对损伤位置的识别准确率达到了86%, 相应的损伤程度识别精度也达到可接受程度. 显示了该方法较好的应用前景, 对基于监测系统的悬索桥健康状态识别与评价具有参考意义.     

空间网壳结构振动问题的改进神经网络控制

结合经验公式及实验比较对神经网络的结构进行优化,利用Levenberg-Marquardt算法改进传统误差反向传播算法.基于两个改进人工神经网络的组合运用,针对结构动力响应,建立了一种可预测有效控制力的神经网络预测控制策略.用一个网络辨识结构的动力响应,另一个网络预测有效控制力.数值仿真显示:该算法具有比传统BP网络的最速下降法高一阶的收敛速度;除个别时间步外,该文控制策略可较准确识别结构的动力响应、、给出有效控制力.     

基于损伤敏感指标的斜拉桥结构损伤定位研究

研究斜拉桥结构的损伤位置识别问题。首先根据斜拉桥结构的受力特点,将其视为由斜拉索、主梁以及索塔组成的组合结构,对于斜拉索和主梁分别提出了广义模态应变能指标、位移灰关联指标以及索力变异指标等多种损伤敏感指标,并就观测噪声水平和损伤程度耦合影响下各损伤敏感指标的定位效果进行了系统研究。为提高存在观测噪声条件下损伤识别的可靠性和准确性,将证据理论引入损伤位置判别的决策过程,提出了基于多源损伤证据的损伤定位方法,实现了基于多源损伤信息的损伤定位。通过算例验证了所提出方法的有效性和优越性。