基于模态应变能比与神经网络的复合材料结构损伤辩识

从结构动力学特性入手,以模态应变能比作为表征结构损伤的标识量,对含损伤的复合材料机翼结构进行损伤辨识仿真,通过神经网络建立起损伤标识量和损伤状态之间的映射模型.仿真结果表明,模态应变能比对结构损伤位置和损伤程度都比较敏感,是一种有效的损伤标识量.神经网络可准确地识别出结构的损伤位置和损伤程度,应用于损伤识别是有效的.     

模态应变能在复合材料机翼结构损伤检测中的应用

以复合材料机翼结构为研究对象，采用单元模态应变能改变率作为结构损伤标识量，对损伤结构进行损伤识别仿真。应用NASTRAN有限元程序对模型进行模态分析，模态分析的结果表明，单元模态应变能改变率对不同位置和不同程度损伤都具有较强的敏感性。应用神经网络成功识别了损伤的位置和程度，指出其可行性。     

基于应变模态差和神经网络的管道损伤识别

应变模态差对结构微小损伤具有很高的敏感性且对结构损伤处具有较高的定位识别率,故在工程实际中可以利用其对管道进行损伤识别。然而,应变模态差只能定性地反映结构的损伤程度,并不能直接量化损伤结构的损伤程度,故采用神经网络和应变模态差相结合的方法对损伤管道进行损伤位置和损伤程度的识别。利用有限元分析软件ANSYS进行模态分析提取管道的应变模态参数,并把管道损伤前后的应变模态差作为神经网络的输入参数,以损伤位置和损伤程度作为神经网络的输出参数,对损伤管道分别进行单损伤和双损伤的损伤定位和程度识别。研究结果表明,利用应变模态差和神经网络相结合的方法能够准确识别出管道的损伤位置以及损伤程度。     

利用试验模态分析有神经网络技术对结构损伤检测的探讨

选用一工程上常用的截面开口槽形,通过试验模态分析对结构损伤引起的模态频率转动进行了分析,从试验角度对四种损伤检测方法进行了有效性比较。并蒋 神经网络与试验模态分析技术相结合应用到结构损伤的定量检测的研究中,不人证了其可行性,而且是应变指标对结构损伤更敏感。     

基于经验模态分解与神经网络的结构故障诊断

采用经验模态分解对简支梁振动信号进行分解,对分解得到的前4个固有模态函数分别求其能量百分比,并作为神经网络的输入向量.用17种工况的8组样本训练了简支梁故障诊断的神经网络模型.应用该法结果表明,2组测试样本的测试结果均与实际状况相一致,故可检测出结构的故障、故障的类型和故障的位置.     

利用试验模态分析及神经网络技术对结构损伤检测的探讨

选用一工程上常用的截面开口槽形梁,通过试验模态分析对结构损伤引起的模态频率移动进行了分析,从试验角度对四种损伤检测方法进行了有效性比较。并尝试将神经网络与试验模态分析技术相结合应用到结构损伤定量检测的研究中,不仅验证了其可行性,而且指出应变指标对结构损伤更敏感。     

基于应变模态变化率的钢轨损伤检测

为了准确、快速检测出钢轨中的损伤及其损伤位置和程度,提出了基于应变模态变化率的钢轨损伤检测方法。以五跨钢轨为例,通过数值仿真分析和实验室足尺模型测试表明:基于频率的变化可判断钢轨发生损伤,但无法确定损伤的位置及程度;基于应变模态的变化和基于应变模态变化率的变化可判断钢轨发生损伤、确定损伤的位置和程度;损伤程度对于损伤识别的影响较大,损伤程度越大,损伤单元的应变模态变化率就越大,钢轨的前两阶应变模态变化率可以确定损伤的发生、位置及损伤程度。     

损伤结构的曲率模态分析

基于结构有限元分析软件ANSYS得到的结构位移模态分析数据，针对具有不同损伤状况的悬臂梁进行了结构曲率模态分析。研究结果表明，曲率模态分析技术不仅能准确诊断悬臂梁损伤位置，而且可以判断悬臂梁的损伤程度。仿真结果表明，本文提出的曲率模态幅值突变系数与结构损伤程度之间具有较好的线性相关性。     

光纤布拉格光栅传感器与基于应变模态理论的结构损伤识别

介绍了光纤布拉格光栅传感器和应变模态理论的基本原理，综述了应变模态理论用于结构损伤识别的研究现状，由于基于应变模态理论的结构损伤识别受到传统应变检测手段的制约，因此，寻求一种高精度应变检测手段已成为应变模态理论用于现场结构损伤识别的前提，根据光纤光栅所具有的高工绝对测量、准分布工数字测量、抗电磁干扰、构造简单、使用方便等诸多优点，提出用具有高精度的光纤光栅应变检测技术代替传统的应变片测量技术，并分析了其可行性。     

基于应变模态的简支梁桥损伤位置识别研究

本文以简支梁桥为研究对象,利用ANSYS软件对其进行损伤模拟。获取了简支梁在两种工况下,不同损伤程度的1—3阶应变模态及应变模态差曲线。对比相应的位移模态曲线,发现应变模态和应变模态差指标,对于损伤位置的识别是有效并且敏感的。     

基于柔度矩阵和神经网络的结构损伤识别法

提出一种分步识别结构损伤的方法。首先利用测量模态参数建立结构柔度矩阵来确定结构损伤的大体位置，然后应用神经网络技术和结构的加速度响应对确定的损伤范围进行参数识别，根据识别的刚度值判别结构的损伤程度。通过一个8自由度结构的仿真计算表明，该方法稳定性好，计算精度高，对噪声具有很高的鲁棒性，在10％噪声情况下，应用神经网络技术能较精确地得到结构的损伤程度，显示了该方法对大型复杂结构进行损伤诊断的潜力。     

基于支持向量机和模态频率的结构损伤诊断

支持向量机（support vector machine,SVM）是一种基于统计学习理论的机器学习算法,能够较好地解决小样本的学习问题。文中介绍支持向量机回归算法,并应用于结构损伤诊断领域;构造基于模态频率的损伤标识量,作为特征参数训练支持向量机实现对结构损伤的定位和程度标识;最后以梁的损伤识别为例进行验证。结果表明,支持向量机在结构损伤诊断领域中具有很好的应用前景。     

STUDY ON INJECTION AND IGNITION CONTROL OF GASOLINE ENGINE BASED ON BP NEURAL NETWORK

According to advantages of neural network and characteristics of operating procedures ofengine, a new strategy is rapresented on the control of fuel injection and ignition timing of gasolineengine based on improved BP network algorithm. The optimum ignition advance angle and fuelinjection pulse band of engine under different speed and load are tested for the samples trainingnetwork, focusing on the study of the design method and procedure of BP neural network in engine     

SOLVING INVERSE KINEMATICS OF REDUNDANT MANIPULATOR BASED ON NEURAL NETWORK

For the redundant manipulators, neural network is used to tackle the velocity inverse kinematics of robot manipulators. The neural networks utlized are multi-layered perceptions with a back-propagation training algorithm. The weight table is used to save the weights solving the inverse kinematics based on the different optimization performance criteria. Simulations verify the effectiveness of using neural network.     

基于信息熵神经网络的风力发电机故障诊断方法研究

风力发电机组运行工况复杂多变,振动信号呈非平稳性和复杂性等特点,不同负载下信号能量分布差异较大,传统的时、频域特征参数不具纵向可比性,无法判别振动变化来自设备故障还是负载变化.针对以上特点,选择受机组工况变化影响较小的信息熵作为信号特征参数提取,通过描述信号总体统计特性判断设备状态,将齿轮各典型状态模式下的振动特征信息熵值作为网络的输入样本,通过训练前向传播back propagation(BP)神经网络,建立齿轮状态识别模型.利用新样本验证,结果与实际情况吻合得很好,表明该方法对风力发电机齿轮故障诊断的有效性和实用性.     

ON-LINE STATE PREDICTION OF ENGINES BASED ON FLAT NEURAL NETWORK

A flat neural network is designed for the on-line state prediction of engine. To reduce the computational cost of weight matrix, a fast recursive algorithm is derived according to the pseudoinverse formula of a partition matrix. Furthermore, the forgetting factor approach is introduced to improve predictive accuracy and robustness of the model. The experiment results indicate that the improved neural network is of good accuracy and strong robustness in prediction, and can apply for the on-line prediction of nonlinear multi input multi output systems like vehicle engines.     

基于粗糙集神经网络的产品族配置性能预测方法

模块化产品族设计是面向大规模定制设计的支撑技术.为了加快对动态变化的个性化需求的响应速度,提出基于粗糙集神经网络的产品族配置性能预测新方法,以通过产品族中典型产品变型的历史数据挖掘来预测新产品变型的基本性能,给出产品族配置性能预测定义和目标;提出层次化的产品族表示模型,并用数学方法对配置过程和配置对象进行规范描述;给出基于粗糙集神经网络的配置性能综合预测框架和基本步骤.该方法能够复用所挖掘的配置知识和配置规则,减少试验环节工作量,且能将性能预测值作为衡量是否满足最终客户需求的基本依据,以评价配置的合理性.最后以某模块化新型号冰箱产品族为实例进行验证.