基于ARMAV模型和J-散度的结构损伤识别

损伤识别技术是结构健康监测系统的关键组成部分,为了进一步提高损伤识别的准确性和适用性,提出一种融合信息距离函数J-散度与向量自回归滑动平均(vector autoregressive moving average, ARMAV)模型的损伤识别方法。采用预白化过滤器对加速度时域数据进行消除激励相关性以及降噪处理;建立了ARMAV模型,并由模型的自回归参数和残差方差构建损伤判别指标;采用三层框架试验数据,并进行转播塔模型的损伤识别试验研究验证了该方法的有效性。结果表明：基于ARMAV模型和J-散度距离的损伤识别方法可操作性强,能够准确、高效地定位框架和塔架结构的损伤,且该方法受环境变化的影响较小,可为在线结构健康监测提供一种新思路。     

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.003 29、 0.004 162、0.65%。     

基于时间序列分析的结构损伤识别

针对如何从结构响应信息中提取结构损伤指标的问题,提出了一种基于时间序列分析的结构损伤识别方法。对结构响应数据进行预处理,利用完好工况下的结构响应数据作为参考数据,建立自回归(Auto regression-AR)预测参考模型。利用已建立的AR预测参考模型计算待识别工况的残差,将待识别工况的残差与AR预测参考模型的残差的方差之比作为损伤指标,对结构损伤进行识别;通过算例表明:该损伤指标不仅可以判断结构是否发生损伤,而且可以识别结构的损伤位置。     

基于GNAR模型和Itakura距离的结构非线性损伤识别方法

为了有效地解决时域非线性损伤的识别问题,提出了基于线性/非线性自回归一般表达式模型(general expression for linear and nonlinear autoregressive model,GNAR模型)和Itakura距离的损伤识别方法。描述了GNAR模型的基本理论,给出了基本的模型定阶和参数估计方法。采用剪枝算法对GNAR模型结构进行了优化选取,并提出了以Itakura距离作为损伤指标的非线性损伤识别方法。采用3层框架非线性损伤实验验证了该方法的有效性,并将提出的方法运用于输电塔钢架模型的非线性损伤识别实验中。结果表明:提出的结构非线性损伤识别方法对框架和输电塔钢架结构的非线性损伤识别效果良好,且环境变化对其识别结果影响较小,由该方法计算得到的损伤层损伤概率明显大于未损伤层,有利于高效地确定非线性损伤源的位置。     

基于动力参数的桥梁结构损伤识别

阐述了近几年基于结构动力参数的桥梁工程结构损伤识别的方法，对这些方法进行了评议，指出了在理论和实际应用中的优点及存在的问题．选用一简支桁结构作为研究对象，对其进行了模拟损伤分析，采用不同的模态参数对其损伤情况进行了分析。同时说明了动力参数检测方法的应用。     

基于时间序列模型自回归系数灵敏度分析的结构损伤识别方法

该文在分析了时间序列模型的自回归系数对结构单元刚度灵敏度的基础上,提出了一种采用随机载荷作用下结构的时域响应数据进行损伤识别的新方法。该方法首先根据随机载荷作用下的结构响应拟合适用的时序模型;然后建立基于自回归系数的损伤灵敏度矩阵,通过该矩阵可以建立由单元损伤导致的自回归系数的变化与损伤系数变化之间的关系;最后通过求解损伤系数向量来识别损伤位置和损伤程度。对一悬臂梁结构损伤识别的数值结果表明:在计入1%和2%测量噪声的情况下,该方法仅利用单个传感器的时域测量数据,就能够较好地识别单个单元和多个单元损伤;如果对基于多个传感器的识别结果进行综合,识别结果则更加准确、可靠。     

非线性自回归模型辨识及其在结构损伤识别中的应用EI北大核心CSCD

分析了带有外部输入的线性/非线性自回归模型一般表达式(GNARX)与Volterra级数模型的相似之处,以及GNARX模型与带外部输入的自回归模型(ARX)之间的内在联系。根据GNARX模型结构特点,提出了一种基于参数离差率的结构剪枝算法,并用于模型结构辨识,通过数据仿真,验证了方法的可行性和有效性。最后,将GNARX模型结合提出的结构辨识方法,应用于钢板的损伤识别。结果显示,基于参数离差率的结构剪枝算法辨识GNARX模型结构,其损伤识别精度最高,体现了GNARX模型及其结构剪枝算法应用于结构损伤识别的优越性。     

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。     

基于统计模型的结构损伤识别

提出了一种基于递推随机有限元方法(RSFEM)的随机结构损伤识别方法。在定义了随机损伤指数概念的基础上,考虑模型误差的不确定性和测量噪声的影响,建立了关于随机损伤指数的控制方程。然后,利用RSFEM得到了结构随机损伤指数的统计特性。数值算例的结果显示,新的方法能在考虑模型误差和测量噪声的情况下对结构损伤进行有效识别,且在结构随机参数有较大涨落情况下,该方法仍能有效识别出结构损伤,识别结果与蒙特卡洛模拟解非常吻合。     

在有噪声时用CARV模型提高识别模态参数的精度

多维可控自回归（ＣＡＲＶ）模型对模态参数的识别精度很高，但受噪声影响却很严重，现有的方法很少考虑有噪声输入的情况而使ＣＡＲＶ方法的使用受到极大限制。本文讨论了有噪声存在的情况下，ＣＡＲＶ模型对模态参数的识别，推导了ＣＡＲＶ模型在有噪声情况下的建模公式，并通过仿真验证了方法的有效性，针对ＣＡＲＶ模型在具体应用中的一些问题进行了讨论。     

结合近似贝叶斯计算和改进群体蒙特卡洛抽样的结构损伤识别

为避免陷入低概率区抽样并提高抽样效率,改进了群体蒙特卡洛(PMC)抽样算法,再结合近似贝叶斯计算(ABC)和随机响应面(SRS)提出一种概率损伤识别方法。首先将ABC和改进PMC算法进行嵌套,利用每个迭代步的样本方差来搅动粒子群和求取自适应权重系数,再构造衡量仿真和实测样本间相似度的误差函数,用于替代似然函数;然后使用SRS建立结构随机响应的显式表达式,大幅提高响应统计特征值的计算效率;最后将求得的参数后验概率分布统计特征值作为损伤指标,根据损伤前后指标值的变化来判断损伤位置和程度。对试验钢筋混凝土梁的单、多工况损伤进行了识别,验证了所提出方法在保证参数后验分布估计精度的条件下,可以有效提高贝叶斯推断过程的计算效率。     

基于VMD-SSI的结构模态参数识别

将变分模态分解(VMD)和随机子空间法(SSI)结合,提出了基于VMD-SSI的结构模态参数识别新方法。针对VMD中的模态分层数K值确定困难的问题,提出模态重复比率准则,保证了模态信息的有效分解。依据模态重复比准则确定测量信号的最优分层数K;利用VMD方法进行信号并行分解,用奇异值分解(SVD)去噪,以提高模态参数的识别精度。用该研究提出的VMD-SSI方法识别模态固有频率和阻尼,用VMD方法辨识模态振型,将VMD-SSI法应用于外伸梁模型的模态参数识别,并利用统计理论分别检验识别的模态频率、模态阻尼和模态振型的精度。结果表明, VMD-SSI法识别模态参数的精度高于传统SSI法。     

基于模态应变能和小波变换的结构损伤识别研究

针对单一方法对结构同时发生多处不同程度损伤识别的不敏感性缺陷,本文结合小波变换在时域、频域内表征信号局部特性且能够聚焦到信号或函数的任意细节进行处理的能力,提出了一种基于单元模态应变能和小波变换的结构损伤识别方法。在单元模态应变能基础上,利用小波变换系数的变化和分布情况构建单元模态应变能小波变换结构损伤指标,通过对简支梁的数值模拟和斜拉桥模型试验研究的结果与单元模态应变能平均变化率作为损伤识别指标的计算结果进行对比,结果表明该方法能有效确定结构同时发生多处不同程度损伤的位置和估计损伤程度,为实际工程应用奠定了基础。     

基于岭估计和L曲线的损伤识别技术研究

为了解决结构损伤方程求解的可靠性问题,提出了基于岭估计和L曲线的损伤方程求解方法。首先描述了基于模态应变能灵敏度的结构损伤方程,然后考虑测量噪声等因素易造成病态的损伤方程问题,提出了采用岭估计求解结构的损伤方程,并利用L曲线确定最优的岭参数,最后建立了损伤估计值的修正方法。数值仿真结果表明,基于修正的岭估计和L曲线方法可以较为精确地识别出损伤的位置和程度,而且其定量识别结果明显好于基本的岭估计和L曲线方法以及一般的截断奇异值分解法。     

基于小波包能量曲率差法的桥梁损伤识别试验研究

针对各种损伤识别指标中,小波包能量曲率差法仅有数值仿真、未经试验验证,尤其缺少实际工程验证问题,用数值模拟验证该方法识别结构损伤的有效性;利用沧州子牙河新桥替换下的梁体,进行两种工况损伤模拟。通过测试完好与损伤状态各点加速度响应,用小波包能量曲率差法识别损伤,考察小波函数和分解层数对识别效果的影响。结果表明,该方法有效,并可应用于实际工程。     

基于改进交叉模型交叉模态法的局部损伤识别方法

传统的交叉模型交叉模态（CMCM）法由于其核心矩阵的缺秩使其在全局修正时的解不唯一,为得到唯一解必须人为假定约束。以往利用CMCM法进行损伤识别的研究中,通常将损伤前后质量保持不变作为约束求得各单元刚度的修正量,然后将刚度的下降作为判断损伤的依据。然而,结构在极端运营条件下质量的变化也是损伤的一种。为此,本文对传统的CMCM法进行了改进,提出了以下的改进方法：首先,由基准状态下的有限元模型和损伤后实测的结构低阶模态信息求得核心矩阵,将核心矩阵最小奇异值对应的右奇异向量作为损伤指示向量（DIV）;然后,基于损伤的局部性利用聚类分析算法自动识别DIV中的异常元素,将异常元素作为损伤定位的依据;最后,由DIV估计各单元质量和刚度的损伤程度。改进后方法的优势在于：无需人为主观地添加约束即可一次性求出结构各单元质量和刚度损伤前后的变化,避免了错误或不准确的假设给损伤识别结果带来的误差。通过数值实验对该改进方法的可行性、鲁棒性以及损伤敏感性进行了研究,并通过美国洛斯阿拉莫斯国家实验室（LANL）的一个4自由度板柱结构振动台实验对改进方法的有效性做了进一步的验证。     

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

基于结构强震记录的结构时变模态参数识别

为研究结构在地震过程中动力特性变化和损伤过程,为结构地震损伤评估提供可靠依据,采用递归式在线系统辨识算法RARX模型,利用结构强震记录识别了结构时变模态参数。以一座6层钢筋混凝土框架结构为例,识别了其时变自振频率、阻尼比和等效刚度。结果发现：在小地震动作用下,结构自振频率随时间几乎不发生改变;在大地震动作用的整个时间过程中,结构自振频率随时间逐渐降低,降低到一定程度到达最低点后,频率开始回升,直至地震结束,但最后不能回升到初始值,说明经历大震发生损伤的结构在震后性能会有所恢复;结构等效刚度变化趋势和自振频率相同,但在大震中下降比频率下降大的多;结构阻尼比在经历大震发生损伤后增大。结果可供结构地震损伤预测及结构震后安全鉴定参考。     

基于粗集的改进对向传播网络结构损伤识别

为了有效地利用结构健康监测系统冗余、互补、不确定的信息进行健康状况评估,提出了一种将粗集和改进对向传播神经网络(RCPN)有机地结合在一起的损伤识别新方法。它先用粗集进行数据处理以降低数据的不确定性和空间维数,然后用RCPN进行损伤识别。为了验证所提方法的有效性,对1个框架结构的单损伤和多损伤模式进行了识别,并重点研究了噪声、神经网络模型、不同数据处理方法的影响。研究发现,所提方法不仅可以降低数据的空间维数,减少神经网络的训练与检验时间,而且具有较好的损伤识别精度和鲁棒性。