简支梁多位置损伤识别研究

曲率模态是结构损伤识别的敏感标示量,采用数值仿真方法,把曲率模态用于桥梁损伤识别.利用简支梁损伤前后一阶曲率变化率作为识别参数,便可明显确定其多处损伤位置.对相关样本参数进行归一化处理并引入噪声干扰,利用BP人工神经网络进行数值仿真计算,也能对其损伤程度进行有效模拟,验证了BP神经网络也有很强的泛化能力及容错能力.     

基于粗集的PNN结构损伤识别方法

目的 为有效利用监测系统大量冗余、互补数据,对结构的工作状态展开评估.方法 运用粗集进行属性约简达到海量数据的降维工作,进而提取有效的特征参数,运用概率神经网络(PNN)良好的处理噪声等不确定信息及概率推理能力,进行推理计算和损伤识别.结果 对某12层钢筋混凝土框架不同噪声水平下的三种损伤模式进行了识别,识别精度均在85%以上,并与PNN损伤识别方法进行了比较,其识别精度高于PNN.结论 提出了一种基于粗集与PNN的结构损伤识别新方法,该方法不仅可以降低数据的空间维数.减少冗余属性和不确定性,而且可以提高损伤识别精度.     

桥梁损伤检测的曲率模态方法探讨

曲率模态是结构损伤识别的敏感标示量 ,采用数值仿真方法 ,把曲率模态用于桥梁损伤识别 ,在位移模态中引入噪声之前 ,曲率模态检测方法能准确判断出损伤的位置 ,此时 ,检测结果有很高的准确度和精度 ,可以检测出结构中出现的损伤 .引入噪声后 ,当位移模态噪声小于 1%时 ,噪声的影响不太明显 ,仍可以把损伤位置检测出来 ,但当位移模态噪声大于 1%后 ,不能把损伤位置检测出来     

基于振动的结构健康监测技术

介绍了基于振动的结构健康监测与诊断的基本概念与理论,论述了基于振动和神经网络方法的结构损伤检测的原理、策略及其在土木工程中的应用,重点探讨了各种结构损伤检测技术存在的问题及有效的解决方法.考虑到测量噪声及特征参数对实际结构检测的影响,提出了自适应概率神经网络(APNN)和主组分分析(PCAPNN)技术,并用三种概率神经网络(传统概率神经网络TPNN,APNN和PCAPNN)模型对某悬索桥进行了结构损伤检测,结果发现APNN的识别精度最高,PCAPNN次之,TPNN最差.     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.     

基于特征向量简化的复杂土木结构损伤检测

针对PNN在有噪声情况下进行结构损伤检测时输入矢量数目大,匹配模式多,训练时间长的缺点,提出了运用主组分分析法来处理数据的概率神经网络损伤定位方法.研究发现,运用该方法进行损伤定位,不仅输入矢量数目和训练时间少于未简化的PNN,而且可以极大地提高损伤定位的识别精度.     

结构损伤识别的耦合神经网络方法

目的 基于误差传播算法的BPNN和基于自适应共振理论的ART神经网络，提出一种耦合神经网络的三级识别模型，以实现对结构损伤的自主识别，方法 采用分步识别的思想，利用ART神经网络首先识别出有损伤的层，然后用遗传算法搜索最佳的BP神经网络结构来分别识别结构损伤的具体位置和损伤程度．结果 通过对结构健康监测基准问题的计算表明。提出的耦合神经网络的识别模型能够自主识别结构损伤的发生，正确识别结构损伤的具体位置和损伤程度．结论 基于误差传播算法的BPNN和基于自适应共振理论的ART神经网络组成的耦合神经网络识别模型具有自主识别结构损伤发生的能力。且识别速度快，能够正确识别结构损伤发生的具体位置和损伤程度．适宜于在线监测。     

土木工程结构健康监测的现状及发展

阐述了土木工程结构的安全性评估、健康监测及损伤诊断的必要性和迫切性,介绍了结构健康监测的定义及系统组成,综述了损伤识别的分类,重点对系统识别与模型修正作了详细的阐述,并对小波和神经网络在损伤识别领域的应用作了介绍.     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

土木工程结构损伤检测中的神经网络方法

结构损伤检测与识别对结构安全及人们生命财产具有重要意义．近年来结构损伤检测中的神经网络方法受到了广泛的关注和研究．对神经网络方法在结构损伤检测中的研究进行了综合论述．阐述了各类神经网络方法在损伤检测中的应用、输入输出数据的不同类型、结构建模误差对检测效果的影响和分步损伤检测方法等。并对神经网络方法在损伤检测中的发展前景作了展望．     

结构缺损的识别

利用小波分析与人工神经网络相结合的方法,对结构缺损进行了识别。敲击缺损试件后产生的振动信号由传感器拾取,经数据采集系统采集、适当处理后进行小波变换,形成人工神经网络的训练样本,并对所建网络进行训练,利用在训练样本中加入随机噪音的方法对网络的识别精度进行了讨论。本文用上述方法以悬臂梁试件为例,对结构缺损位置、缺损深度以及螺栓联接结构的紧固程度进行了试验。     

基于WPNN与数据融合的损伤检测方法

目的 为了有效利用结构健康监测系统中的多源传感器数据信息，对复杂结构的健康状况进行诊断进而提高确诊率．方法 利用概率神经网络(PNN)的贝叶斯推理与诊断能力及多传感器数据融合原理，将神经网络与数据融合有机结合，使两者优势互补，提出了复杂结构损伤检测技术及其在多层框架结构中损伤检测及诊断中的应用．结果 提出了基于小波概率神经网络(WPNN)与数据融合的损伤检测方法．结论 基于WPNN与数据融合的损伤检测方法是可行的、有效的．     

利用动态特性测量值的结构损伤检测方法的比较研究

对目前关于结构损伤检测的基本方法进行了回顾,详细地介绍了现有几种有效的基于结构动态特性测量值的损伤检测方法(包括传统的敏感性分析法、神经网络法和遗传算法)的基本步骤,讨论了这些方法在工程运用中存在的一些实际问题,如不完整的测量值、方法的鲁棒性、损伤检测的计算效率和收敛性等.最后,通过对实际五层钢框架结构的层间刚度识别说明了这几种主要方法的优缺点,提出了今后该领域的研究方向.     

Support vector regression-based internal model control

This paper proposes a design of internal model control systems for process with delay by using support vector regression(SVR).The proposed system fully uses the excellent nonlinear estimation performance of SVR with the structural risk minimization principle.Closed-system stability and steady error are analyzed for the existence of modeling errors.The simulations show that the proposed control systems have the better control performance than that by neural networks in the cases of the training samples with small size and noises.     

神经网络在结构损伤模拟中的应用

识别一个结构在震动状态下的变化，在结构监测中是十分重要的，神经网络就非常适用于这种目的。本文研究了使用可分析的学习样本来训练神经网络的可行性问题。神经网络从损伤状态中训练产生，然后用于诊断一个五层钢框架在一系列震动模拟中的状态。结果表明，使用神经网络可使在线结构诊断更加可行。     

用神经网络方法识别结构损伤的研究

首先提供了结构损伤前后固有频率的变化包含了损伤位置的程度信息，研究了利用动态响应和神经网络技术进行结构参数识别的方法，并确定了结构损伤的位置与程度，建立了一个BP网络结构损识别模型，计算结果表明，该BP网络能准确实现结构损伤判别与定位，说明该方法有效，可靠。     

基于位置和程度指标的结构损伤识别研究

为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值,该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨论了参数输入方式对网络识别效果的影响,分别采用两步诊断法和一步诊断法进行损伤识别.结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;减少位置指标和程度指标的输入个数对损伤识别结果有显著的影响.     

结构损伤智能识别方法

应用神经网络、遗传算法建立了交互式结构损伤智能识别系统。详细阐述了软件设计的思想及其实现，并对预测结果与实测数据进行了比较。结果表明，将神经网络和遗传算法用于结构损伤识别是有效的、可行的。