基于数据融合及残差卷积自编码器的结构损伤识别方法EI北大核心CSCD

深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述问题,该研究提出了基于数据融合及一维残差卷积自编码器(one dimension residual convolution autoencoder, 1D-RCAE)的深海混输立管结构损伤识别方法,以结构损伤敏感的应变动态响应为输入,使用主成分分析(principal component analysis, PCA)进行多测点应变响应特征融合,进一步利用1D-RCAE自动提取损伤敏感特征,以结构损伤前后敏感特征间的马氏距离构建结构损伤判定指标,实现混输立管结构健康状态监测。通过500 m深海混输立管结构数值模拟和立管物理缩尺模型试验对该研究提出的方法进行验证,结果表明,有限测量信息下能够有效实现深海混输立管结构损伤识别,其中数值模拟验证损伤识别准确率高于99%,物理模型验证损伤识别准确率高于98%。同时探究了噪声污染、海洋环境因素变化对该研究提出方法损伤识别性能的影响规律。     

基于位移平均曲率差的桥梁结构损伤识别方法研究EI北大核心CSCD

针对结构损伤识别受外界随机荷载干扰较大的问题,提出了归一化位移均值波形的平均曲率差法。该方法将多样本组的位移响应均值作为损伤特征函数,初步消除噪声的影响;再将位移均值曲线的曲率归一化处理,并求解曲率差值,大大降低随机荷载的影响;最后以相邻测点的平均曲率差为损伤识别指标判断损伤单元。以简支梁桥和自锚式悬索桥为算例,从理论和数值模型两方面对提出方法进行验证。结果表明,所提方法既能对任一移动荷载作用下的结构进行损伤识别,也适用于随机荷载作用下的结构损伤识别。该研究还分析了不同程度噪声对识别效果的影响,从分析结果可以看出,所提方法具有较好的抗噪性能。     

基于联邦扩展卡尔曼滤波的结构损伤识别方法

当结构损伤与传感器故障同时存在时,两者的相互影响会导致损伤识别结果的劣化;为此,提出了一种基于联邦扩展卡尔曼滤波的结构损伤识别算法。利用分散化滤波计算量小、滤波精度高的优点,联邦扩展卡尔曼滤波方法能根据正常的传感器信号准确识别结构的损伤位置与程度,具有良好的鲁棒性;同时利用联邦滤波容错性好的特点,能实现对故障信号的自动检测和剔除,并将剩余的正常子系统进行组合,以继续提供准确的损伤识别结果。梁式结构的数值算例及实验分析验证了该算法的有效性及对故障传感器信号的检测隔离能力。     

基于应变模态响应重构的损伤识别方法EI北大核心CSCD

土木结构的损伤识别技术对提升结构可靠性与安全性具有重要意义,也是土木结构健康监测研究中的热点问题。现有的损伤识别方法往往需要识别模态参数,或者需要准确获取结构外部载荷信息,极大限制了相关方法在实际工程中的应用。为克服现有方法的局限性,该文将结构动态响应重构方法引入到损伤识别中,提出了基于应变模态响应重构的损伤识别方法。构建结构健康状态的有限元模型,以损伤结构测量的信号输入,通过基于经验模态分解的应变重构方法,可以获取使用无损伤模型的结构全局模态响应。以传感器采集的模态响应和重构模态响应的差异作为有限元模型修正的依据,通过应变模态比值构建的传递率的灵敏度矩阵进行迭代运算,求得损伤位置及损伤程度。该方法无需获取结构的外部激励信息,通过高效的时域应变重构,能够在少量测量信号下实现对结构损伤的精确识别。为验证该方法的准确性和高效性,开展了连续梁单一损伤和多损伤识别研究,探讨了测量噪声和模态阶次选取对识别结果的影响,结果表明,该方法能够准确、高效识别不同程度的损伤,对测量噪声具有较强的鲁棒性。     

基于有限范围自适应卡尔曼滤波的结构损伤识别方法

在土木结构的健康监测中,当破坏发生时能够立即对结构的损伤做出判断和评估是一项非常重要的工作.本文采用了一种基于广义卡尔曼滤波的自适应追踪技术对结构的参数进行辨识.该方法能够追踪结构的时变参数,并对结构损伤的位置、大小以及发生的时间做出判断.数值仿真的结果表明该方法对于线性和非线性结构的参数变化具有敏感性,能够有效地检测出结构的损伤.     

基于小波总能量相对变化的结构损伤识别EI北大核心CSCD

桥梁结构损伤伴随着服役期的增加而逐渐加深,寻找合适的损伤识别方法则是桥梁工作者必须面对的问题。通过对测点处动态响应信号进行离散小波变换,并计算各测点处的小波总能量,以结构未损伤状态为基准,提出了一种基于小波总能量相对变化的损伤识别方法,并以一两端固支梁为例,进行了损伤识别应用及有限元模型验证,结果表明,提出的损伤识别指标能够准确判断损伤的存在和定位损伤,且对损伤程度具有敏感性,对噪音污染、小波种类和分解尺度数有鲁棒性,并能够根据加速度、速度和位移信号的分析处理进行损伤判定,可用于桥梁结构的损伤识别。     

基于数字孪生的裂纹扩展结构健康管理方法研究EI北大核心CSCD

疲劳裂纹是金属结构常见的损伤之一,提出了一种构建数字孪生模型对裂纹扩展结构进行健康管理的方法。在数字孪生模型的建立过程中,首先建立裂纹结构的有限元模型,并结合Paris公式构建裂纹扩展模型;其次基于动态贝叶斯网络表示裂纹状态随时间演化的规律;最后采用粒子滤波算法作为模型的推理算法,从而在数字空间中完成对裂纹扩展行为的描述。通过应变传感器实时在线监测裂纹状态,驱动孪生模型动态更新,实现裂纹扩展状态和剩余使用寿命更准确的预测。通过试验验证了该方法在裂纹扩展结构健康管理上的有效性与实用性。     

基于静动力凝聚及扩展卡尔曼滤波的连续梁桥损伤识别

以卡尔曼滤波算法为代表的物理参数识别方法在结构损伤识别方面得到广泛应用,但限于状态方程的复杂性,大部分应用集中在具有平动自由度的剪切型建筑结构模型,且一般需要较完备的激励和响应信息。利用静力凝聚方法消去转动自由度以建立力学模型,并提出考虑Rayleigh阻尼的动力凝聚方法,实现了较复杂连续梁桥有限元模型的等效简化。针对桥梁检测及健康监测需求,提出了利用锤击产生自由振动的激励方式进行连续梁桥扩展卡尔曼滤波在线损伤识别方法,从而克服了传统方法需要复杂激励信号的不足。以一座三跨连续梁桥为例进行了仿真分析,识别出了不同位置的刚度和阻尼物理参数,参数识别结果具有较高精度和抗噪性,收敛速度快,证明该方法有效可行。     

基于传感器集群BLSTM模型的结构损伤定位EI北大核心CSCD

为进一步提高无监督模式下的结构损伤定位精度,提出了一种基于传感器集群BLSTM模型的结构损伤定位方法。通过传感器集群BLSTM模型的建立,对不同位置处传感器的虚拟脉冲响应函数进行了预测,进而通过基准工况与未知工况模型预测残差的信息熵,构造了一种新的损伤识别指标,并依此进行损伤定位。通过8自由度质量弹簧系统试验、工字钢梁模型试验,以及桁架结构数值模拟,对方法的有效性和适用性进行了验证。结果表明,该研究提出的基于传感器集群BLSTM模型的结构损伤定位方法,可以对结构的单一位置损伤和多位置损伤进行准确定位,且可通过同一位置处损伤指标的变化对损伤程度进行判别,即使在外界环境变化和较高的噪声干扰下,仍能取得较好的损伤定位效果,具有良好的环境适应性和抗噪声干扰能力。     

基于VMD和Chirplet变换的结构损伤识别研究EI北大核心CSCD

为识别结构损伤位置及对损伤程度进行量化,提出了一种基于变分模态分解(variational mode decomposition,VMD)和Chirplet变换的结构损伤识别方法。采用VMD对结构振动响应信号进行分解得到模态分量,并利用Chirplet变换对模态分量进行时频分析,构建模态分量Chirplet变换能量指标识别损伤位置,利用Chirplet时频熵量化结构损伤程度。采用一个刚度变化的简支梁数值算例对所提方法进行验证,结果表明,无论单点损伤或多点损伤,所提方法均能准确识别结构的损伤位置并量化损伤程度。     

基于改进扩展卡尔曼滤波算法的移动机器人定位方法研究

针对移动机器人在位姿跟踪过程中存在单一传感器或多传感器测量系统对环境信息处理能力有限的问题,结合扩展卡尔曼滤波算法,对传感器测量信息进行融合分析.对于单个传感器测得的n个观测值,扩展观测矩阵至大于n的m个目标测量值,将预测空间到测量空间的映射设计为一个具有n个非零变量、维数为nm、秩为n的变换矩阵,实现传感器对状态向量的局部更新.在建立的传感器及机器人运动模型基础上,通过地面移动机器人进行实验验证.理论分析和实验结果表明,该方法能在保证定位精度的前提下,提高算法对不同传感器类型和传感器数量的泛化能力,增强测量系统的准确性和灵活性.     

黏接界面脱黏损伤的缺陷局部内共振识别方法EI北大核心CSCD

黏接结构的界面脱黏将导致结构完整性的破坏,对界面黏接状态进行有效的检测和评估具有重要意义。提出一种基于缺陷局部内共振的界面脱黏损伤识别方法,通过建立黏接界面局部缺陷的双自由度非线性模型,利用多尺度方法分析了界面脱黏缺陷局部内共振产生机理,确定内共振损伤识别方法需要特定的激励条件;以铝梁黏接结构为试验对象,基于表面粘贴的压电作动/传感晶片,产生不同频率和幅值的激励信号,对传感晶片响应信号进行频谱分析,通过缺陷局部2∶1内共振出现特有的饱和现象对黏接界面脱黏损伤进行有效识别。仿真与试验结果表明,内共振饱和现象需要特定的激励条件,能够有效放大结构局部缺陷的非线性信号特征,提高了噪声干扰下的黏接结构界面脱黏非线性损伤的检测能力。     

环境激励下挡土墙结构损伤识别及安全性评价EI北大核心CSCD

在役挡土墙结构在多因素作用下会出现损伤,而损伤即降低其安全性。为评价在役挡土墙结构的安全性,对环境激励下挡土墙结构动力响应间虚拟脉冲响应函数进行希尔伯特边际能量比谱分析,基于希尔伯特频段的损伤敏感性分析,创建识别挡土墙结构损伤的希尔伯特损伤特征向量和损伤指标;并以某在役桩板式挡土墙结构为试验对象,将行驶车辆引起的振动作为激励,并考虑环境温度和湿度的影响,对该挡土墙进行环境激励下的多次现场测试,通过损伤指标识别该挡土墙的损伤并评价其安全性。试验结果发现:在环境激励持续作用下,损伤指标值持续增长,挡土墙稳定系数逐渐减小,表明挡土墙的损伤在持续产生、损伤程度不断增大、安全性逐渐降低;而建立稳定系数与损伤指标间的定量关系可评价挡土墙的安全性;另外,温湿度对挡土墙损伤积累有较大影响,尤其是高温联合强降雨会加速挡土墙损伤的出现;因此,通过损伤指标不仅可识别挡土墙的损伤还可评价其安全性。     

基于扩展卡尔曼滤波（EKF）的结构动态物理参数识别

本文应用扩展卡尔曼滤波估计结构的动态物理参数，采用等效线性化原理识别结构的刚度系数和阻尼系数。并用识别的结果作为结构的参数对结构进行动力反应分析，计算结果与试验结果符合较好，表明EKF法是一种较好的识别结构动态参数的方法。     

基于特征映射平面的塔机塔身钢结构损伤快速识别方法EI北大核心CSCD

为有效地提高塔机运行状态在线监测效率,提出一种塔机塔身损伤状态快速判别方法。构建塔身不同损伤位置组合状态下的塔机结构,并采集恒定载荷工况各损伤状态下的塔机回转一周时的塔身顶端空间位置数据集;将空间位置数据进行3个弦函数和拟合,提取拟合得到的正弦函数的幅值、频率、相位等特征向量集;将各损伤状态在x轴和y轴方向上拟合的特征向量集作为三角形顶点构建特征平面集,并以完好状态下的特征平面作为参考平面,计算其他平面与参考平面在两坐标轴方向的夹角;采用夹角值作为损伤状态评判依据,并将各状态对应的夹角值映射到平面内,对损伤结果进行可视化处理。采用该方法对塔机实体模型和物理模型状态数据进行分析,验证了该算法在塔机塔身损伤状态识别上的快速、有效性。     

闭合型疲劳裂纹的亚谐波损伤识别方法EI北大核心CSCD

近年来结构健康监测与损伤识别研究中广泛采用非线性振动与非线性超声方法。由于作动器和测试设备环节产生的超谐波成分作为背景噪声掩盖了损伤信号,降低了信噪比,利用亚谐波信号成分来识别闭合型疲劳裂纹。建立了闭合型裂纹的单自由度定性模型,分段迟滞型作用力模拟了裂纹界面间的相互作用以及裂纹张开与闭合过程,研究了产生亚谐波的激励频率和激励幅值条件,讨论了模型参数对亚谐波产生的阈值影响。利用压电作动器/传感器进行了铝制裂纹梁损伤检测实验,得到了裂纹损伤亚谐波识别的激励电压与频率的范围。数值仿真与实验结果表明了闭合型疲劳裂纹的亚谐波损伤识别方法的有效性。     

基于自适应最稀疏时频分析的结构损伤检测方法EI北大核心CSCD

研究了一种新的自适应时频分析方法——自适应最稀疏时频分析(ASTFA)方法,并将其运用于结构振动响应分析,提出了基于ASTFA的结构损伤检测方法。ASTFA方法在EMD方法和压缩感知的基础上,建立包含所有IMF分量的过完备字典,通过寻找原信号的最稀疏表示,将信号分解问题转化为非线性优化问题,在目标优化的过程中实现信号的自适应分解,并直接得到各个分量的瞬时频率和瞬时幅值。在介绍ASTFA的基础上,对ASTFA和EMD进行了对比,结果表明了ASTFA方法的优越性。利用ASTFA方法识别了结构的模态参数,提出了基于分量信号瞬时频率和瞬时能量的损伤指标,对结构损伤进行了检测。对实际信号的分析结果表明,ASTFA方法可以有效地应用于结构损伤检测。     

基于EEMD-SDCCⅠ-HMM的水电机组振动故障识别方法EI北大核心CSCD

针对水电机组故障诊断问题,提出了一种基于集合经验模态分解(EEMD),曲线趋势编码(CC)和隐马尔科夫模型(HMM)的故障识别方法。该方法首先利用EEMD处理机组振动信号,得到一系列本征模态函数(IMF)然后计算各阶IMF的标准差(SDs)形成标准差曲线,并根据IMF标准差曲线的趋势进行编码构成特征向量。最后将特征向量作为学习样本输入HMM,通过训练得到各状态的HMM。当待测样本输入各状态HMM时,可通过对比各模型输出的对数似然概率值来判断样本所属状态。试验结果表明,该方法能有效提取机组故障特征,识别故障类型,与常规故障识别方法相比,具有较高的准确率。     

基于贝叶斯理论嵌套抽样的结构物理参数识别研究EI北大核心CSCD

基于贝叶斯估计的结构物理参数识别中,传统马尔可夫蒙特卡洛抽样(MCMC)在解决高维密度函数问题时往往存在抽样效率低、不收敛等问题。采用嵌套抽样方法代替传统的马尔可夫蒙特卡洛抽样,解决了结构物理参数识别中高维后验联合概率密度函数问题。首先从结构加速度时程响应时程出发,建立了后验联合概率密度函数,然后重新定义了结构参数先验分布与似然函数,实现了基于嵌套抽样的结构物理参数识别。采用该方法分别对10层剪切结构数值模型与3层RC框架结构振动台试验模型进行识别,得到了结构刚度及阻尼比等参数,并与试验现象进行了对比。结果表明,该方法可以解决贝叶斯公式高维后验联合概率密度函数问题,且能高效识别结构物理参数,同时也验证了该方法在真实结构物理参数识别与结构损伤识别中的适用性与可靠性。     

面向不平衡数据的云模型旋转机械故障识别方法EI北大核心CSCD

因正常数据丰富、故障数据匮乏而引起的数据不平衡,已经成为工业大数据智能决策技术面临的关键问题之一。因此,针对机械设备故障诊断研究中经常遇到的不平衡数据集中少数样本类别识别精度偏低的问题,提出一种基于云模型的集成学习方法并将其用于旋转机械不平衡数据的模式识别。该方法首先将提取出的轴承故障特征数据集通过ReliefF算法计算各特征的权重,依据特征权重值降序排列的结果提取出权重趋大的特征构成低维特征集,并将低维特征集划分为不平衡训练集、测试集两部分;其次通过云模型理论中的正向云发生器、逆向云发生器对低维特征集中各个特征分别绘制云图,得到单一特征下各状态的训练数据与测试数据云图;然后通过距离公式判别与待测样本距离最近的训练数据云图,判断出单一特征下待测样本的类别;最后通过集成学习方法将各个特征下的识别结果进行整合,以相对多数投票法识别出待测样本的所属类别结果。与传统的BP神经网络、支持向量机两种分类器进行对比的试验表明,该方法不仅对不平衡数据的待测样本识别精度较高,而且具有一定的泛化性能。