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。     

基于小波分析的结构损伤检测

损伤结构的动力特性具有局部时变的特征，小波变换在时域和频域都具有表征信号局部特征的能力，小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节，因此可以对损伤结构的非线性动力特性能进行有效的分析。提出运用小波分析提取结构损伤特征向量的方法和基本原理，并进一步用神经网络进行损伤位置和程度的检测。文章通过一个两层框架的模型对小波神经网络和传统的BP网络的损伤识别精度作了对比。研究表明，小波神经网络的抗噪声能力较强，损伤识别的效果更好，运用小波神经网络进行结构损伤识别精度要优于传统的BP网络。     

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。     

柔度曲率法在输电塔损伤识别中的应用

在结构指纹识别方法中,基于柔度法的损伤识别方法能够较好地识别损伤所在位置及程度,在柔度法的基础上构建柔度曲率损伤识别指标及柔度矩阵曲率差损伤识别指标,并将其引入到输电塔结构损伤识别中。由于输电铁塔具有三个平动分量,所构建的两种损伤识别指标也具有三个方向分量,其在输电塔上的识别效果需要进一步分析。建立51 m酒杯型输电塔模型,分别采用两种指标对结构不同程度的单损伤及多损伤进行识别。研究结果表明,仅结构垂直方向分量的损伤识别指标能够识别结构损伤,但柔度曲率对于小损伤位置无法识别;柔度矩阵曲率差对小损伤位置也能较好地进行识别。     

基于自适应概率神经网络的损伤模式识别研究

在传统的概率神经网络(PNN)的基础上,提出了通过Gap-Based方法初步估算平滑因子σ,并以遗传算法优化σ参数集的自适应概率神经网络(APNN)模式分类识别方法.以桥梁健康监测委员会提出的两跨桥梁Benchmark模型为例,通过将小波包分解结构在正弦激励和交通激励载荷模型下的动力响应信号的能量特征向量作为网络的输入样本,利用APNN进行了损伤模式进行识别.结果表明, APNN不仅识别精度高和抗噪性能好,而且还能用于输入特征向量参数筛选和降维,提高学习效率和识别精度.     

基于受控结构振型的损伤定位分步识别方法

提出了基于神经网络技术和受控结构振型数据的损伤定位分步识别方法。首先采用状态反馈控制的方法,有目的地对结构进行极点配置,得到设置的受控结构的动力特性数据。将结构划分为若干个子区域,以受控结构损伤前后振型差作为输入参数,利用概率神经网络确定结构损伤所在的子区域,然后用多损伤定位确信准则对结构损伤子区域中的具体损伤位置进行识别。数值仿真表明,利用概率神经网络能有效地确定结构损伤子区域,采用分步识别的策略能大大缩小具体损伤单元的识别范围,而利用受控结构的动力特性参数可提高识别指标对损伤的敏感度,进而提高损伤识别的准确性。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析。为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数:即结构损伤前后的频率变化平方和少点模态振型作为输入参数。利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析.为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数:即结构损伤前后的频率变化平方和少点模态振型作为输入参数.利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果.     

基于摄动Riccati传递矩阵的梁桥损伤概率识别方法

提出了一种基于摄动Riccati传递矩阵的梁桥损伤的概率识别方法。利用摄动Riccati传递矩阵方法和奇异值分解技术,在结构特征值和特征向量的一、二阶摄动计算公式基础上,依据概率统计原理,建立了结构损伤概率识别方程,并利用优化方法反演出结构各单元损伤识别参数的均值以及损伤概率,由此可以确定梁桥损伤位置和损伤程度。通过对一座简支梁桥和一座5跨连续梁桥进行多工况损伤概率识别的数值仿真模拟,计算得到了不同工况下的梁桥损伤识别结果,结果表明:对于梁桥结构大于10%的损伤量,该方法可以比较准确地识别出损伤位置及损伤程度,证明了该方法的有效性;采用该方法可以在很大程度上避免由于结构参数的随机性造成的误判或者漏判,识别结果较好。     

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。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

基于斜拉索振动测量与神经网络技术的斜拉桥损伤位置识别方法

以香港汲水门大桥为背景,探讨了斜拉索张力指标和神经网络技术相结合对桥面结构损伤的定位或分类方法。基于高精度三维有限元模型,采用BP网络,模拟了12种可能的损伤情况的定位。以不同损伤程度下斜拉索张力指标作为神经网络的训练与测试输入,由神经网络的输出来指示损伤位置。该方法的突出优点是只用到少量斜拉索的局部模态的基频,就能获得较好的识别结果。而对少量斜拉索的局部模态的基频测量要比其它面向损伤检测的测量容易得多。另外,该方法可十分方便地推广应用于悬索桥的桥面损伤定位。因此,该方法具有重要的实用价值。     

Structural optimization by gradient‐based neural networks

In this paper a neurocomputing strategy is presented which combines data processing capabilities of neural networks and numerical structural optimization. In this strategy, an improved counterpropagation neural network is used. Two artificial neural networks are trained, one for the constraints and the other for the gradients of the constraints and structural optimization is accomplished by using these nets. All required parameters such as weight matrices in the neural networks or the gradient computations are automated in this neuro‐optimizer strategy. Numerical examples are included to demonstrate the accuracy of the results. Copyright © 1999 John Wiley & Sons, Ltd.     

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.     

基于振型差值曲率与神经网络的海洋平台结构损伤识别研究

利用神经网络进行复杂结构损伤识别时，会遇到网络规模过大以致难以收敛的问题。为此，提出了一种基于振型差值曲率与神经网络的结构损伤识别两步法。第一步，利用振型差值曲率得到损伤的大致区域。第二步，在第一步选定的区域内，利用BP神经网络确定损伤构件的准确位置。四层海洋平台数值模拟和实验结果验证了该方法的有效性。     

BP神经网络在谐波测量中的应用研究

本文主要介绍了一种基于BP神经网络的谐波测量方法。与传统的谐波测量方法相比，其在实时性及精确度上有了很大的改善。文章重点介绍了BP神经网络结构和学习训练原理，并且针对传统BP训练算法学习速度较慢的缺点，提出了一种能够加快训练速度的新方法。实验结果表明，在谐波测量电路里采用新方法训练好的BP神经网络是可行的。     

过程神经网络的训练及其应用

研究过程神经网络的学习算法及其在过程模式识别中的应用。针对权值基展开的过程神经网络讨论了权值基的选取规则和对采样曲线的标准化处理问题,给出了含一个隐层的过程神经网络的误差反传播学习算法。以聚合化学反应和渗流实验两个具体实例验证了算法的有效性,也说明了过程神经网络的广泛应用前景。     

基于神经网络的海洋平台损伤诊断研究

提出了基于神经网络技术的海洋平台分类多重损伤诊断方法，此方法先将海洋平台结构的构件进行分类和分层，将各类构件损伤引起的标准化的频率变化率输入BP网络，建立系统，进行损伤构件所属的类和所在的层的判定；然后将损伤层内某类构件损伤引起的标准化的损伤信号指标输入概率神经网络，建立系统，进行损伤构件具体位置的判定；最后将损伤构件损伤引起的频率平方的变化比输入BP网络，建立系统，进行损伤程度诊断。数值仿真结果表明。此方法可完成对海洋平台结构的损伤诊断，且具有一定的抗干扰能力。