基于动力参数的桥梁工程结构损伤识别分析

阐述了近几年基于结构动力参数的桥梁工程结构损伤识别的方法，对这些方法进行了评议，指出了在理论和实际应用中的优点及存在的问题．对一试验模型的模拟损伤进行了分析，认为：结构损伤前和不同损伤程度的各工况所获得的模态参数都不相同．并通过分析说明了动力参数检测方法的应用．     

基于结构动力参数的土木工程结构损伤识别方法

简要综述了近几年基于结构动力参数的土木工程结构损伤识别的方法，对各结构损伤识别方法进行评论。讨论各种方法在理论和实际应用中的优点及存在的问题。最后，通过对一试验模型的模拟损伤试验说明动力参数检测方法的应用。     

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。     

基于正则化遗传算法的结构损伤识别

针对结构参数反演问题中存在的强不适定性,提出了一种基于响应面的正则化遗传算法。在识别结构损伤时,将结构单元刚度折减作为损伤指示量,以结构模型的模态参数与真实结构的模态参数尽可能接近为优化目标,采用遗传算法进行反演计算。优化求解过程中,响应面方法的引入极大地降低了结构模态参数的计算量;而目标函数中正则化项的引入则起到了抑制测量信号噪声干扰、提高识别算法鲁棒性的作用。梁式结构的损伤识别数值算例表明本文提出的损伤识别方法简明、有效。更多还原     

基于模态参数的结构损伤识别应用综述

通过对损伤识别领域常用的模态参数如频率、振型、模态曲率、模态应变能、里兹向量及阻尼比进行了分析比较,总结了各参数的优缺点;其次对损伤识别相关算法如模式识别及智能算法工具进行了介绍,概括了两类工具的应用现状.随后针对损伤识别过程中存在的环境因素干扰(包括温度变化影响及外界振动噪声)进行了讨论,论述了环境因素对损伤识别的负...     

基于神经网络的桥梁结构损伤识别分析

阐述了利用神经网络进行桥梁损伤识别的可行性、优越性;重点讨论了适合桥梁损伤识别的训练函数特性、数据处理和样本集的构成;利用Traindx和Trainlm神经网络训练函数编写了桥梁结构损伤识别神经网络程序,该程序具有较强的容错性,在结构检测数据带有较大误差时,也能识别出损伤位置;通过算例分析了网络中不同的训练函数、检测误差、隐层神经元个数对识别性能的影响,并得出利用Trainlm函数训练神经网络更理想,神经元越多识别效果越好的结论.     

结构损伤识别的参数反演方法研究

研究了未知输入条件下非线性参数系统的识别问题,通过引入广义逆,直接得出系统参数的极小范数最小二乘解,改进了全量补偿算法,提高了计算效率,使未知输入条件下系统参数反演理论进一步完善。该方法不仅能识别损伤程度,而且能确定损伤位置,思路清晰,易于编程。数值算例验证了该方法的参数识别精度,具有广泛的工程应用背景。     

基于静力位移及频率的结构损伤识别神经网络方法

模型误差、量测噪声及量测数据不完整等因素是制约结构损伤识别技术应用的主要难点.为此,利用结构部分节点静力位移以及前几阶固有频率构造出神经网络合适的输入参数形式.采用改进动量BP神经网络算法对一五榀桁架结构进行了损伤识别数值模拟研究.识别结果表明,在一定水平噪声及量测数据不完备条件下,网络仍有较好的识别损伤位置及程度能力.     

弹性浮动研磨机振动结构参数识别

由于金刚石研磨加工系统输入激励不能清晰确定,本文建立了与结构振动微分方程等价的自回归滑动平均ARMA时序模型对系统模态参数进行识别,将结构参数识别问题转换为ARMA模型参数辨识问题,并对采集数据进行小波降噪处理,提高了识别精度.     

基于残余力向量的框架损伤直接识别法

为直接识别出基于残余力向量法的框架结构损伤,提出先由灵敏度分析求得结构刚度联系矩阵,再由结构刚度联系矩阵将损伤结构的刚度摄动矩阵展开,得到新的结构残余力向量方程,通过求解此方程即可识别出框架结构的损伤位置和程度,最后运用所提出方法对三层框架结构进行损伤识别,结果表明识别精确度较高,从而验证了该方法的有效性.     

神经网络在框架结构损伤诊断中的应用研究

应用人工神经网络技术,采用分步诊断的方法,提出了反映结构损伤位置和程度的健康诊断方法。文中通过模态分析得到基于固有频率和位移模态的网络输入特征参数,分别利用概率神经网络和BP网络对结构损伤的位置和程度进行识别,结果显示该分步诊断的方法能够对结构的损伤正确识别。     

基于神经网络的空间桁架结构损伤三重识别

以一72杆空间钢桁架为例进行桁架结构损伤三重识别．考虑单损伤工况与双损伤工况,通过ANSYS软件建模得到结构在无损与损伤工况下的固有频率,运用神经网络进行结构损伤定位与损伤程度确定．首先识别损伤层,然后识别损伤层中的损伤杆件,最后识别损伤杆件的损伤程度．结果表明该方法用于桁架结构损伤识别是可行的．     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

神经网络与时间序列模型在股票预测中的比较

首先利用时间序列中的AR IM A模型和人工神经网络建立了两类股票价格预测模型并对一定时期的股票价格进行了预测,然后用4种广为使用的统计评价方法对两类模型的预测性能进行了比较。结果表明,两种模型都取得了很好的整体预测效果,而在趋势预测方面,神经网络则得到了比AR IM A模型更准确的结果。     

应用神经网络对精煤灰分含量进行实时预报

针对具有不确定性、时变性和复杂非线性关系的跳汰选煤过程，提出了精煤产品灰分含量的新型实时多步预测方法．本基于Jordan神经网络构造了具有多作用因素输入和灰分含量动态时间序列反馈的实时动态建模预测模型，提出了BP算法和TD法相结合的网络学习新算法．该方法比传统预测方法具有更好的收敛性和适应性．应用结果表明，预测命中率和预测精度较高。     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于小波神经网络复合材料损伤检测的研究

研究了一种采用埋入智能传感器对复合材料冲击损伤检测的系统，在对信号进行处理时，该系统结合了小波变换良好的时频局部特性和神经网络的自学习功能及良好的容错能力的优点，从而能准确地识别出复合材料冲击损伤的位置并提高了冲击损伤检测的速度与准确率。对复合材料的冲击损伤检测进行了仿真，结果表明了该方法是可行的。     

基于响应事件工艺参数免疫时间的设备电压暂降敏感特征识别

为了准确评估电压暂降对敏感设备的影响,提出一种基于敏感设备后果状态和工艺参数免疫时间的电压暂降敏感特征识别方法。将电压暂降特征划分为基本特征和附加特征两大类,引入暂降特征集、虚拟暂降和设备电压暂降响应事件概念,用可直接观测的设备工艺参数刻画设备响应事件的后果状态,并以工艺参数达到可接受极限值的时间作为设备工艺参数免疫时间;研究虚拟暂降特征与工艺参数免疫时间之间的关系,根据工艺参数可接受极限值确定设备电压暂降敏感特征。用光伏逆变器和个人计算机受电压暂降影响的实测结果验证本文方法,结果表明,光伏逆变器的电压暂降敏感特征不仅包含暂降幅值和持续时间基本特征,相位跳变特征也是重要的敏感特征;个人计算机的电压暂降敏感特征主要是暂降幅值和持续时间基本特征。所提方法的识别结果与实验结果一致,证明了所提方法的正确性和合理性。     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.