基于BP网络的结构损伤识别

结构的动力特性和结构参数直接相关，结构的损伤将引起相应动力特性的改变，因此，如果能建立结构动力特性变化与结构损伤之间的映射关系．则可以利用结构振动测试信息实现结构损伤诊断。神经网络方法因其具有非线性映射能力强、计算速度快、容错性好等优点，正越来越多的用于基于振动的结构损伤识别。但是对于大型复杂结构，普遍存在网络结构复杂。识别效率低下的问题。以框架结构为例．应用BP网络分阶段的进行损伤位置、损伤程度的识别，这有效降低了网络的复杂性，减少了学习样本。提高了学习效率。     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

修正D-P模型在三峡二期围堰分析中的应用

为了考虑中主应力及材料剪胀性的影响,并验证堰体填筑材料参数,运用遗传神经网络对堰体填料进行参数反演,引入修正D-P模型进行围堰施工模拟.修正D-P模型采用非相适应的流动法则,可以模拟材料的各向同性硬化/软化及中主应力的影响,并可以考虑流变;遗传神经网络具有很强的非线性映射能力及全局优化功能.在运用遗传神经网络对堰体材料进行参数反演的基础上,利用修正D-P模型对三峡二期围堰填筑过程进行了模拟.实例分析表明,遗传神经网络能准确反演材料的力学参数;修正D-P模型适合分析围堰材料的力学性能;两者结合分析土石围堰时,计算结果与实际情况相符.修正D-P模型克服了Duncan-Chang模型不能模拟中主应力及材料剪胀性的缺点;遗传神经网络反演参数可以使计算参数与实际情况更接近,两者有机结合可提高分析精度.     

索膜结构风振响应的神经网络辅助参数分析方法

针对非线性动力时程分析法求解大规模索膜结构风振响应时动力时程分析的次数受到限制而导致一些参数组合下的响应统计值难以预测的问题,引入神经网络,通过少量样本的训练,建立了参数与结构响应间的映射关系。结果表明：提出的神经网络辅助参数分析方法计算效率高、预测精度令人满意,是一种获取足够数据的有效途径;通过该方法可以得到响应统计量及风振系数随平均风速和索、膜预应力变化的规律,为设计风荷载和结构构件极端响应的计算提供了科学依据。关键词：索膜结构;风振响应;参数分析;神经网络;动力时程分析     

液体静压油膜-转台系统的模态分析及参数影响

为了使液体静压油膜-转台系统运行平稳,减小其振动,根据实际工程状况,建立了液体静压油膜-转台系统的有限元模型,并对系统进行了模态分析,研究了系统参数对系统振动频率的影响;并且,利用响应面方法得到了系统参数与振动频率之间的显式函数关系.结果表明:油腔个数、材料弹性模量和油膜刚度的共同作用对系统频率产生影响;材料弹性模量对系统低阶振动频率的影响较小,对高阶振动频率的影响较大;油膜刚度对系统低阶振动频率的影响会随着系统油腔数目的增多而增大.     

基于神经网络的智能结构控制与试验研究

智能结构是指系统的几何特性和运动特性在运行中能根据工作的要求而进行调整的结构。由于振动激励的复杂性和不确定性使得智能结构控制具有高度的非线性,因此很难建立准确的动力模型,神经网络强大的非线性映射能力和自适应学习、记忆的特点使得它非常适合于解决智能结构控制问题。本文主要对基于神经网络的结构控制理论进行了研究,通过对压电智能结构基于神经网络的反馈控制进一步确定了控制算法和控制效果。最后进行了三层框架结构的振动台试验,通过对压电材料基于神经网络的反馈控制来主动调节压电层的轴向变形,以此对结构施加控制力,试验结果表明各层加速度都得到了有效地控制。     

基于荷载试验数据修正桥梁结构有限元计算模型的研究

以浙江省长兴县上莘大桥为对象,采用一般方法建立桥梁分析的初始有限元计算模型,根据桥梁交工验收荷载试验采集的静、动载试验数据,通过建立考虑变形、频率及振型等静、动力信息的多目标函数对初始有限元模型进行修正,得到能够反映桥梁结构真实状况的基准有限元模型.修正后基准有限元模型计算结果与不同静载试验工况下实测数值、动载试验工况下实测振动频率、模态等响应结果进行了对比,结果表明:利用桥梁荷载试验实测数据对桥梁有限元计算模型修正后,有限元计算模型计算结果与荷载试验实测响应结果均能保持一致,利用荷载试验数据修正桥梁结构有限元计算模型是可行的.     

机械弹性车轮有限元计算与试验模态的相关性研究

为了满足新型机械弹性车轮结构响应预测和动态优化设计的要求,采用有限元计算与试验测试相结合的方法对其振动特性进行了研究。通过有限元分析得到车轮结构的振动模态频率及相应的振型,结合参数灵敏度分析和试验模态对其有限元模型进行修正。基于内积相关度理论,对修正后的有限元计算模态和试验模态参数进行了相关性分析,根据两者的吻合程度,验证了有限元建模及修正分析方法的有效性;修正后的有限元模型精度得到提高,计算结果更加反映了车轮的结构特性,为机械弹性车轮结构动态优化设计研究提供了参考。     

局部动力效应在振动分析中的应用

本文在常规结构振动计算的基础上,利用局部动力效应分析,对结构的局部弯矩和剪力进行修正计算。经验证,修正后的计算结果,比常规解法的结果更接近精确解。     

基于环境激励的预应力混凝土连续梁桥有限元模型修正

基于优化原理的有限元模型修正技术的发展,为大型桥梁结构的模型修正提供了便利.本文以包头黄河大桥二桥为背景,利用该桥健康监测系统提供的环境振动测试信息,并基于结构特征值灵敏度分析选择的修正参数,对该桥进行结构动力模型修正.修正后的有限元模型振动基频更接近于环境激励下的测量结果,表明大型通用软件提供的优化算法可以有效的实施动力模型修正.     

基于位移时程的框架模型结构参数与损伤识别

本文提出了一种直接运用结构的振动位移响应时程的基于神经网络的结构物理参数和损伤识别的一般方法,该方法通过一个神经网络模拟器和一个参数评估用神经网络实现。在对该方法的理论基础进行论证的基础上,针对一个受基底激励的两层框架模型结构,运用由激光位移传感器所测量的结构位移响应时程,将该方法用于该结构的层间刚度识别和损伤结构的损伤识别。结果表明,神经网络模拟器能够准确地预测参考结构在基底激励下的位移响应,而参数评估用神经网络可以很好地识别出结构刚度参数,并反映出结构损伤的发生。本方法具有一般性,为实际工程结构的参数识别和模型修正提供了一种可行途径。     

基于MWGANN模型的旋转机械趋势预测

为保证旋转机械注水泵机组安全、稳定运行,应采用合适的预测模型对其状态评定参数进行预测。提出基于均值函数新息加权的遗传算法优化神经网络预测模型(MWGANN模型),用此模型能够优化神经网络结构参数,并可利用时间序列数据新旧程度的不同提高预测的精度和实时性。工业现场采集大型旋转注水泵机组振动烈度时间序列数据,应用MWGANN模型和基于人工经验设定神经网络结构参数的模型分别对其进行预测并比较,结果表明MWGANN模型在预测精度、预测实时性方面取得了较好的效果。     

基于水泥净浆流变性的振动-剪切等效理论

为了分析振动条件下水泥净浆的流变特性,解释水泥净浆流变性模型的转化机制,提出适用于振动条件下水泥净浆流变性分析的振动-剪切等效理论. 根据修正HI理论和回转黏度仪径向分层算法,计算振动条件下回转黏度仪内水泥净浆流场的剪切速率,将振动台正弦振动过程转化为对水泥净浆的剪切过程. 采用自制回转黏度仪,开展20 Hz振动频率下的HI参数标定试验和30 Hz振动频率下的水泥净浆黏度试验. 结果表明,HI参数标定结果与数值计算结果之间的误差约为7%,水泥净浆的试验黏度与数值计算的黏度之间的误差为8%并趋于收敛状态. 增大振动频率,水泥净浆的黏度逐渐减小并达到峰值,流变性模型逐渐由Bingham模型转变为Hershel-Bulkley模型,最后转变为Power-Law模型.     

弹性BP神经网络的旋转机械故障诊断

针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种resilient backpropagation（RPROP）的改进BP网络。RPROP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系，经改进算法训练的网络适合旋转机械故障诊断。     

基于人工神经网络的机械结构固有频率修改

证明了一个三层神经网络可以描述机械结构设计变量与固有频率之间的映射关系,给出了机械结构固有频率修改的人工神经网络实现方法,并通过应用实例进行了验证。     

结构动力特性的人工神经网络预测

在 Kolmogorov多层神经网络映射存在定理基础上 ,证明了一个三层神经网络可以描述机械结构设计变量与其动力特性参数之间的映射关系 ,给出了预测机械结构动力特性的人工神经网络实现方法 ,并通过仿真算例验证了该方法的有效性     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

基于频域特征提取与RBF相结合的磨矿浓度软测量

为解决磨矿浓度难以直接检测的问题,提出一种通过磨机振动、磨音信号频域特征提取利用特征频谱与径向基函数（RBF）神经网络相结合的非线性建模方法。采用快速傅里叶变换（FFT）将时域振动及磨音信号转换为频谱变量,对频谱变量通过主元分析（PcA）进行谱特征提取,采用径向基函数（RBF）变换实现谱特征的非线性映射。实验表明,该方法可以实现对磨矿浓度的准确软测量,提高测量精度1%,方法有效。