基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

利用模态柔度曲率差识别框架的损伤

采用结构模态参数进行损伤识别是研究较早，应用较多的无损探伤检测方法。提出了一种称为模态柔度曲率差的损伤检测指标。该指标利用模态柔度，不仅比频率和振型更敏感，而且对高阶模态的依赖大为减小。此外，曲率的采用也增加了其对损伤的敏感程度。对两个框架有限元模型进行了分析，详细比较了该指标和振型曲率改变率等其它一些指标在不同的损伤分布和损伤程度下的损伤识别效果，发现模态柔度曲率差识别效果最好，结果最稳定。     

支持向量回归算法在梁结构损伤诊断中的应用研究

支持向量机算法具有很优秀的回归特性，所以将其应用于梁结构的损伤诊断方面。以模态频率作为特征参数，训练支持向量机实现对损伤的定位和程度标识，并通过对悬臂梁的损伤识别仿真计算进行了验证。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。     

基于模态柔度曲率的损伤检测方法

由于模态柔度对结构损伤的高灵敏性,各种基于模态柔度的检测指标在结构无损探伤NDE(Nondestructive Damage Evaluation)中应用较多,如模态柔度差、模态柔度改变率和均匀荷载面曲率差等。这些指标经应用验证都具有一定的有效性。在此基础上,采用模态柔度曲率的改变构建一种新的指标,称为模态柔度曲率差(MFC)。尽管均匀荷载面曲率差也采用曲率,但不同的是它先将模态柔度矩阵按行加起来,再求损伤前后的曲率差。而提出的模态柔度曲率差则按列计算损伤前后模态柔度矩阵的曲率差,然后挑选每列里面最大的值作为指标。采用一个简支梁和一个四跨连续梁为算例,考虑各种损伤情况,将该指标与模态柔度差、模态柔度改变率和均匀荷载面曲率差、以及振型曲率改变率等指标进行了比较,证明了模态柔度曲率差检测损伤的有效性和优越性。     

通过频率改变率进行损伤定位的方法研究

本文基于频率法进行损伤识别的基础，从理论上推导了损伤导致某阶频率降低与损伤位置的关系和该阶曲率模态／应变模态的振型变化相近。并通过数值仿真的结果验证了理论分析的结果。在此基础上给出了损伤状态下通过不同阶模态频率改变率比值来进行损伤定位的新方法，并将其应用于实际钢梁的分析中，得到了较好的结果。最后文中阐述了通过频率法进行损伤识别的优点和局限性。     

混沌驱动永磁同步电机系统的故障识别

研究了混沌驱动永磁同步电机系统的故障识别问题,设计了一种小波支持向量机故障识别器。首先对故障恢复信号进行经验模态分解,得到若干个平稳的本征模函数,将本征模函数的能量特征作为输入构建小波支持向量机故障识别器。训练完成后,冻结小波支持向量机结构与内部参数,以白噪声模拟实际运行中的未知扰动,并以加入扰动的故障信号作为测试输入,利用小波支持向量机故障识别器进行故障识别。结果表明,基于小波支持向量机的故障识别器能够较好地识别故障信号,拟合误差均在1%以内。     

基于叠加曲率模态改变率的梁结构损伤诊断

通过理论分析证明曲率模态差指标存在两个不足:一是对曲率模态节点处损伤不够敏感,二是不能有效反映损伤程度。对曲率模态差指标进行改进,提出叠加曲率模态改变率指标,理论上克服了原指标的不足。采用连续梁算例进行对比验证,结果表明新指标能够同时反映损伤位置和损伤程度,较曲率模态差指标更加优越。最后提出了基于新指标的单元损伤因子估算方法并验证了有效性。     

钢筋混凝土空间网格结构曲率模态曲面拟合损伤识别研究

本文介绍了钢筋混凝土空间网格结构的体系组成及构造特点;提出了曲率模态曲面拟合损伤识别理论,定义了曲率模态曲面拟合损伤指标CMSFDIi和平均曲率模态曲面拟合损伤指标CMSFDIiA,通过曲率模态与曲面拟合值的差异进行损伤定位,方法仅需利用从损伤结构获得的实测数据即可进行结构损伤识别,无需利用完好结构的基本信息和理论模型;最后通过钢筋混凝土正交正放空腹网架结构实例,验证了方法的有效性。计算结果表明,本文方法不仅可以识别单位置损伤还可以识别多位置损伤,对钢筋混凝土空间网格结构的损伤识别和健康监测是可行的。     

利用振动响应的多种结构损伤识别方法比较

利用梁结构的不同模态参数(位移模态、转角模态、曲率模态)开展了梁结构裂纹萌生阶段的小尺度损伤识别方法的研究。首先,通过振动响应计算两跨简支梁的位移模态、转角模态以及曲率模态。其次,结合连续小波变换多分辨率和奇异性分析特性,计算3种模态参数变换后的小波系数,以辨识结构模态参数的奇异性。再次,通过对数值仿真数据加入不同程度随机噪声的方法来对比分析各方法对于结构损伤的识别效果。最后,通过实验测试数据分析各模态参数的损伤识别方法对于实际结构损伤识别的效果。结果表明,基于3种不同模态参数的损伤识别方法均能对小尺度的结构损伤进行定位,但各方法的抗噪性能不同,转角模态的抗噪性能最好,而位移模态次之,曲率模态较差。实验结果显示利用转角模态参数的损伤识别效果较好,而根据位移模态与曲率模态参数的识别效果相近,但曲率模态参数方法在较小损伤处的识别结果更容易被干扰。这为在工程实际中根据环境及振动响应特点进行损伤识别参数的选取提供了一定参考。     

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。