基于BP神经网络的结构损伤识别方法研究

分析了神经网络技术在工程结构损伤检测中的应用原理,通过理论分析,得出了结构损伤前后的固有频率的变化规律,并且该变化规律包含了结构损伤位置程度的信息。通过对悬臂板结构进行数值模拟试验,采取固有频率作为神经网络的输入参数,构造改进型BP神经网络结构,应用训练后的神经网络对悬臂板结构进行损伤识别。结果表明,该方法在工程结构的损伤检测中有较好的应用价值。     

大跨斜拉桥拉索断裂的损伤诊断研究

根据大跨斜拉桥拉索的特点,提出用模糊模式识别理论对大跨斜拉桥的拉索进行损伤诊断。在损伤识别过程中,分析了拉索损伤位置和损伤程度对结构自振频率的影响,以结构损伤和完好状况下的自振频率归一化的频率差作为损伤标识量,以此建立拉索损伤的模糊模式识别子集,再利用模糊模式识别方法对拉索损伤位置和程度进行识别。为了证明该方法的可行性,对天兴洲大跨斜拉桥结构模型进行了数值仿真,并考虑了噪声的影响,结果表明该方法能够有效地识别拉索损伤。     

基于改进神经网络的建筑结构损伤识别方法研究

采用ANSYS有限元分析软件建立神经网络的训练样本,将结构的固有频率作为网络输入,结构损伤的位置和损伤程度作为网络输出,提出了基于神经网络的建筑结构损伤识别方法。讨论了神经网络训练方法和隐含层节点数目对目标函数的影响,分析了网络训练的训练不足和训练过度等问题。以简单的建筑结构为例,基于MATLAB的GUI工具进行了BP神经网络的设计和分析。数值反演结果表明,所改进的建筑结构损伤识别方法具有良好的反演精度和较快的收敛速度。     

利用模态应变能指标的斜拉桥拉索损伤识别

由于拉索是大跨度斜拉桥的主要承重构件之一,拉索中的损伤对于大跨度斜拉桥结构的安全会产生不利的影响.为实现对斜拉桥拉索损伤识别确保结构的安全,首先给出单元模态应变能定义,然后分析了基于单元模态应变能的损伤识别机理,提出了基于单元模态应变能变化率斜拉桥拉索损伤识别的实用方法,并以国内某重点斜拉桥为试验对象模拟3种不同的损伤工况情况,研究该方法的适用性.试验研究结果表明,单元模态应变能变化率指标是斜拉桥拉索损伤很好的敏感标识量,对单位置拉索损伤能够准确地给予识别,对于多位置拉索损伤识别,指标也能给予较好识别效果.该方法为斜拉桥拉索损伤检测提供了一条可靠有效的途径.     

基于BP神经网络和D-S证据理论的损伤识别方法

目的有效利用结构健康监测系统中的多源传感器数据信息，进而提高复杂结构健康状况的正确诊断率.方法将BP神经网络与数据融合理论中的证据理论有机融合，提出一种决策级数据融合损伤识别新方法.为了验证所提方法的有效性，用1栋7自由度剪切型建筑模型的6种损伤进行了检验.结果研究发现，将BP网络和D-S证据理论相结合的综合诊断模型，可以有效地提高一些损伤模式的诊断率，具有良好的适应性.结论笔者所提方法优于单一信息建立模型的识别能力，表明它具有较好的容错性和识别精度，用于健康监测和损伤检测是可行的、有效的.     

基于BP神经网络分类器的多目标识别方法研究

文章对多目标进行特征提取,数据作为神经网络分类器的输入,采用不同的算法对多输出型BP神经网络分类器和单输出型BP神经网络联合分类器进行训练,实现多目标的识别。仿真试验结果表明,基于BP神经网络分类器的识别方法具有较高的识别率。     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

基于静力应变数据的BP神经网络损伤识别算法

为预防桥梁坍塌所造成的损失,设计一种以静力应变数据作为损伤识别因子的识别方法,并以实际桥梁的有限元模型为研究对象,通过有限元分析获取该模型的静力应变数据,训练并测试BP神经网络。MATLAB仿真测试表明：基于BP神经网络结构损伤识别算法能够准确地识别损伤位置和损伤程度,同时将该方法用于实际桥梁能够反映桥梁的健康状况。     

徐州和平大桥斜拉索的索力测试

徐州和平大桥是徐州第一座独塔双索面斜拉桥,是连接徐州新老城区的黄金通道.基于风雨的腐蚀及风振疲劳等因素会影响拉索的寿命及索力大小,并直接影响桥梁的受力状态,首先推导出环境风载激励下拉索的横向振动方程,用分离变量法求得拉索索力与其振动频率的关系式,然后利用TST5927无线索力测试分析系统采集拉索在风振作用下的时域信号,通过频谱分析得到拉索的振动基频.根据推导的索力公式及索力相关资料,计算得到所测拉索的索力.结果表明,离塔中央较远的拉索,其横向振动基频较小,索力较大.     

大跨度斜拉桥拉索的参数振动

目的研究水平拉索和斜拉索在端部轴向激励和桥面竖向激励下的参数振动,探讨两种情况下拉索位移响应及索力的变化规律.方法以实际工程拉索为例,首先对水平拉索参数振动的偏微分振动方程进行数值求解,并进行扫频和参数分析;然后利用ANSYS建立了斜拉索在桥面竖向激励下的有限元模型,进行不同匹配频率下的振动响应分析.结果验证了拉索参数振动的发生条件,得到了拉索激励幅值、阻尼比、初始拉力变化对参数振动时拉索位移和索力的影响规律,以及斜拉索在桥面竖向激励下,振幅和瞬态索力的变化规律.结论一旦发生参数振动,拉索的振幅和瞬态索力都会有很大幅度的提高.有效控制拉索振动,减小振幅是至关重要的,瞬态索力也不容忽视;同时,在进行索力监测时,考虑桥面振动的影响是一个有待深入研究的问题.     

应用 BP 神经网络预测精锻斜齿轮损伤因子

通过利用DEFORM-3D软件对斜齿轮精密锻造过程进行有限元模拟,获得了损伤因子的分布特点。运用Matlab软件建立BP神经网络损伤因子预测模型,分析了不同锻造条件对损伤因子的影响,并对不同锻造条件下的损伤因子进行预测。利用检测样本对训练的神经网络进行验证,结果表明,BP神经网络预测损伤因子与模拟结果吻合较好,预测结果误差较小,预测精度满足实际应用要求。     

改进分层遗传算法在斜拉桥主梁损伤识别中的应用

标准遗传算法在解决像斜拉桥这类复杂结构的损伤识别问题时会出现提前收敛,即所谓“早熟”的现象。为了避免此现象的发生,提高损伤识别的效率与精度,提出一种基于改进分层遗传算法的斜拉桥主梁损伤识别方法。采用索力变化作为优化目标函数,将3种具有不同遗传算子的标准遗传算法与变量微调和灾变策略相结合,形成了一种具有灾变特性的分层遗传算法,以实验室独塔斜拉桥模型作为研究对象进行了数值仿真,结果表明：改进的分层遗传算法成功的避免了标准遗传算法“早熟”现象的发生,能快速有效的完成斜拉桥主梁各种损伤的识别;同时对此方法进行抗噪性分析发现,该方法具有良好的抗噪能力。     

斜拉索顺桥向风阻系数的试验研究

采用风洞试验的方法研究了4种不同表面的斜拉索(包括1种光索、2种螺旋线索和1种凹坑索)在不同倾角下的顺桥向阻力系数.试验结果表明:凹坑索和2mm螺旋线索的阻力系数相差不大,均可应用于斜拉桥的设计当中.根据试验结果给出了形式上比较简单的用于计算斜拉索不同倾角下阻力系数值的拟合公式.分析表明,此拟合公式和试验结果拟合较好且偏于安全.     

基于BP神经网络的网架结构损伤定位研究

针对实际工程中某正放四角锥网架结构进行了1 064种损伤工况的动力计算,定义了归一化固有频率,面向网架节点分别分析了损伤位置和损伤程度对结构各阶固有频率的影响,结果表明：损伤位置对各阶固有频率的影响模式有显著差异,而损伤程度对其影响模式相似,未在本质上影响损伤模式性态;各阶固有频率对损伤位置的响应分布较为开展,包含了损伤模式的个性化信息。据此建立了描述网架结构损伤模式的BP神经网络,对其进行了训练学习,并在实际应用中验证了其损伤定位的可靠性。     

基于神经网络的桥梁结构损伤识别分析

阐述了利用神经网络进行桥梁损伤识别的可行性、优越性;重点讨论了适合桥梁损伤识别的训练函数特性、数据处理和样本集的构成;利用Traindx和Trainlm神经网络训练函数编写了桥梁结构损伤识别神经网络程序,该程序具有较强的容错性,在结构检测数据带有较大误差时,也能识别出损伤位置;通过算例分析了网络中不同的训练函数、检测误差、隐层神经元个数对识别性能的影响,并得出利用Trainlm函数训练神经网络更理想,神经元越多识别效果越好的结论.     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理，针对3类交通标志，即禁止标志、警告标志和指示标志，提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成，前层网络由单个BP网络完成交通标志的粗分工作，后层由3个BP网络将组分结果分别进行细分，完成识别任务。此设计结构与传统的单层分类器相比，在训练速度和识别正确率方面都有较大的提高；显然，这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时，增加新的训练样本时，只要对相应网络进行训练即可，而不必对整个网络进行重新训练。实验结果表明，基于神经网络的交通标志自动识别方法，具有很好的识别效果。     

基于子结构中弯曲波的拉索索力识别方法

以轴向受拉修正Timoshenko梁模型为理论依托,从波的角度对拉索子结构的动力特性进行研究,分别讨论了近场波与行波,发现距离梁端一定距离或较高的频段可不考虑近场波的影响。基于梁结构中的行波传播特性,通过3个测点的频域响应,利用最小二乘法拟合得到波分量系数,再以拟合残差最小为目标进行拉索索力和抗弯刚度的识别。通过拉索振动的数值模拟实验验证了方法的精确性,索力与抗弯刚度值识别误差均不超过1%。相比传统的频率法,该方法基于子结构索力识别,不受减震器和边界条件的影响,而且可基于识别的子索段索力,通过静力分析反推拉索各个位置的索力,同时,在各频率采样点处均能识别出相应索力,减小了外部干扰对索力识别的影响。     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.