基于加速度时域信息的结构损伤识别方法研究

研究了基于加速度时域信息构造残差量的结构损伤识别方法。针对该方法实施过程中可能产生的识别方程组病态问题,以及随之产生的求解结果对测量噪声敏感等问题,采用截断奇异值分解技术(TSVD)求解识别方程组。以IASC?ASCE的基准结构为算例,采用本文的方法,识别出两种情况的损伤位置,损伤程度的识别误差分别为3.8%、6.0%,验证了所研究的基于加速度时域信息的结构损伤识别方法是有效的。     

基于奇异值分解及特征正交分解的结构损伤检测方法

为直接通过结构振动响应提取损伤特征参数,将奇异值分解和特征正交分解运用到结构响应分析中。该方法首先通过对结构响应功率谱矩阵的奇异值分解,获得模态频率,然后在模态频率处计算互相关矩阵,利用特征正交分解获得收敛于结构模态向量的特征正交模态,进而构建了损伤定位向量,最后通过结构单元应力的不同分布准确定位了损伤位置。实验数据分析结果表明,该方法能有效的进行损伤检测和定位。     

基于残余力向量的高桩码头基桩损伤诊断研究

对于有上部结构的髙桩码头基桩损伤诊断研究,目前国内外还没有提出一种实用可行的诊断方法。根据振动微分方程,推导出残余力向量的表达式,定义残余力向量绝对值作为损伤诊断指标。以一高桩码头排架为研究对象,在多种工况下,基于残余力向量法,模拟诊断排架基桩的损伤。数值模拟结果表明：以残余力向量绝对值作为诊断指标,对损伤较为敏感,只需结构的低阶模态,就可以准确快速地识别出结构的损伤,为髙桩码头基桩损伤诊断提供了一种新的思路。     

基于子结构虚拟变形的损伤识别方法

针对大型土木结构损伤识别优化效率低的问题,提出了子结构虚拟变形方法。虚拟变形方法是一种结构快速重分析的方法,该方法利用单元的虚拟变形模拟结构的损伤,可以在不重新建立有限元模型的情况下,快速计算出结构参数改变后的结构响应。该文基于虚拟变形法的基本思想,对子结构的刚度矩阵进行分解和对损伤后结构运动方程进行整理,推导出利用子结构的虚拟变形刻画损伤的方法,扩展了虚拟变形方法的适用范围;并且给出了虚拟变形和结构响应的相关性计算公式,通过相关性分析提取主要的虚拟变形,减少参与计算的子结构虚拟变形的数目,提高计算效率;最后利用一个五十层框架的数值仿真验证方法的有效性。     

基于特征正交分解的梁结构损伤识别

介绍了特征正交分解（Proper Orthogonal Decomposition, POD）的相关理论和一种基于特征正交分解的结构损伤识别方法的基本原理,并利用该识别方法对简支梁结构进行了损伤识别数值研究。研究结果发现：基于特征正交分解的结构损伤识别方法能较好地识别出梁结构的损伤位置,并具有一定的抗噪能力。     

一种改进的基于频率测量的结构损伤识别方法

基于频率测量的结构损伤识别方法具有测试简便,精度较好的优点.在分析结构固有频率用于结构损伤识别的机理的基础上,对一种较好的基于频率的结构损伤识别方法进行了综合评述,并对针对其不足进行了改进.钢筋混凝土三跨连续梁的数值模拟计算表明,中低损伤度的识别结果令人满意.经过改进的方法计算简单,综合识别能力较强,便于工程应用.     

基于移动质量-频率曲线的结构损伤识别方法

针对土木工程中结构实测得到的模态信息少,结构损伤识别方法对噪声敏感且依赖高精确度有限元模型等问题,提出利用移动质量-频率曲线识别结构损伤的方法。首先,在结构上附加移动质量块,获得结构频率关于附加质量位置的关系曲线;然后,建立结构近似有限元模型,通过计算实际模型与近似有限元模型之间的质量-频率曲线的相关性,建立目标函数进行优化;最后,利用变截面简支梁结构进行数值模拟。结果表明:在模型存在较大误差情况下,该方法仍能够准确识别损伤位置,验证其具有较高的适用性。     

一种隔离损伤的桁架结构性态识别方法

结构损伤的准确识别是结构健康监测的重要内容,由于识别的模型需要实时修正,使得结构整体刚度矩阵的更新和分解往往占用大量时间。该文基于隔离非线性理论,提出了一种隔离损伤的桁架结构性态识别方法。该方法将截面的应变分解成弹性应变和损伤应变,从截面刚度退化角度定义材料损伤,将表征损伤的刚度矩阵从整体矩阵中隔离出来,实现模型中损伤隔离,在迭代计算时避免了结构整体刚度矩阵的实时更新和分解,只需对规模较小表征损伤的刚度矩阵进行更新和分解,提高了损伤识别的求解效率。最后,以某实际钢桁架桥为例,对其主桁弦杆的损伤识别进行了数值模拟研究,设计了两种静力荷载工况对该方法进行验证。结果表明：当桁架结构发生局部损伤时,该方法可以准确高效地识别出发生损伤的位置和程度。     

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。     

基于MSVAR模型的非线性损伤识别方法

实际工程中出现的损伤往往具有非线性特征,比如裂缝开合导致结构刚度呈现明显的双线性特性。采用简单的线性模型会遗漏与损伤相关的非线性信息,进而影响到损伤识别结果的可靠性。为解决上述问题,该文提出基于马尔科夫状态转移向量自回归模型(MSVAR)的非线性损伤识别方法。该方法假定损伤会导致结构振动响应出现非线性特征,利用MSVAR模型隐状态平滑概率能够反映数据非线性变化的特点,构造信息熵作为损伤预警指标监测结构损伤状态。MSVAR模型的自回归系数包含损伤位置信息,可据此构造损伤定位向量确定裂缝位置,以裂缝位置处的层间位移(平滑概率由0突变到100%时)表征裂缝宽度。最后通过数值算例和模型试验验证该文所提方法在裂缝类型损伤识别的有效性。     

一种隔离损伤的桁架结构性态识别方法

实际工程中出现的损伤往往具有非线性特征,比如裂缝开合导致结构刚度呈现明显的双线性特性。采用简单的线性模型会遗漏与损伤相关的非线性信息,进而影响到损伤识别结果的可靠性。为解决上述问题,该文提出基于马尔科夫状态转移向量自回归模型(MSVAR)的非线性损伤识别方法。该方法假定损伤会导致结构振动响应出现非线性特征,利用MSVAR模型隐状态平滑概率能够反映数据非线性变化的特点,构造信息熵作为损伤预警指标监测结构损伤状态。MSVAR模型的自回归系数包含损伤位置信息,可据此构造损伤定位向量确定裂缝位置,以裂缝位置处的层间位移(平滑概率由0突变到100%时)表征裂缝宽度。最后通过数值算例和模型试验验证该文所提方法在裂缝类型损伤识别的有效性。     

一种基于压电晶片阵列的板结构损伤识别方法

提出一种通过单个压电晶片对板结构进行激励,使用十字形压电晶片阵列接收响应信号,然后基于相控阵原理对信号进行处理,从而对板结构损伤进行识别的方法。首先用谱元法分析了在单点激励下铝板结构有损伤和无损伤时Lamb波的传播情况,得到压电晶片阵列中各阵元所在位置的响应信号。根据压电晶片阵列布置形式及各阵元之间的相互位置,对各阵元接收到的时域信号进行处理,从而对结构的损伤进行识别。通过对板结构中含有一个和两个损伤的情况进行了研究,验证了该方法的有效性。     

基于人工神经网络的结构损伤识别方法

根据观测的结构频率变化,建立了基于人工神经网络的悬臂梁结构损伤识别方法.把结构固有频率的变化率作为BP神经网络的输入参数,对悬臂梁结构模型进行了损伤数值模拟计算.为了提高神经网络的泛化推广能力和收敛速度,将BFGS优化方法应用到神经网络的训练过程中.数值计算结果表明,所建立的结构损伤识别方法具有收敛速度快、识别精度高等特性.     

基于支持向量机的大跨度拱桥损伤识别方法研究

作为一种新兴的机器学习算法,支持向量机在损伤识别中已显示出其回归能力的优越性。将模态曲率改变率作为损伤识别特征参数,提出了基于支持向量机的大跨度拱桥损伤识别方法。首先应用模态曲率改变率进行损伤定位识别,然后重新构造训练样本,利用最小二乘支持向量机方法进行大跨度拱桥的损伤程度识别,该方法在较少的样本条件下,取得了非常接近目标值的识别效果。通过与RBF神经网络的训练结果进行对比,验证了该方法的精确性。     

基于结构响应统计特征的神经网络损伤识别方法

提出一种采用结构动态响应的统计特征作为损伤指标的神经网络损伤识别方法,并对其进行了数值模拟和实验验证。首先,通过敏感性分析,分析了采用结构动力响应的统计特征作为损伤指标的可行性;然后数值模拟了一三跨连续梁采用结构位移方差作为损伤指标的神经网络损伤识别过程,其结果表明,经过训练的神经网络可以准确的识别出单损伤和多损伤工况中的损伤位置和损伤程度;最后进行一组两端固定的简支梁模型实验来验证所提出损伤识别方法的有效性。实验结果表明,对于单损伤工况,神经网络可以准确地识别出结构中损伤位置和损伤程度,对于双损伤工况,神经网络可以准确地识别出损伤位置,而损伤程度识别略有偏差。最后得出结论,采用结构动力响应的统计特征作为损伤指标的神经网络损伤识别方法是可靠有效的。     

基于不变环境振动的结构损伤识别方法

建立了受随机外力激励作用的损伤识别理论模型和计算方法 ,提出一种在线结构损伤识别方法。讨论一个15层框架结构 ,数值仿真结果表明 ,该方法具有较高的辨别率和计算精度。它能够使用在桥梁和建筑的健康监测中。     

基于剩余模态力和模态应变能理论的网架结构损伤识别

针对网架结构特点,引入敏感模态的概念,提出了一种识别敏感模态的算法;基于剩余模态力理论,利用敏感模态进行损伤位置识别,并建立了基于模态应变能理论的损伤程度评估算法,采用非负最小二乘法求解超静定方程组,实现定量评估损伤程度。以某实际结构为仿真对象,分析了上述算法在网架结构损伤识别中联合应用的可行性,同时将评估结果与基于最小秩摄动理论的损伤程度评估结果进行了比较研究,并考虑测试噪声影响。结果表明,二者联合工作效果较好,不仅可以识别结构单处损伤,还可以识别结构多处损伤,且损伤程度评估结果同基于最小秩摄动理论损伤程度评估结果比,更可信,将其应用于网架结构的健康诊断是可行的。     

建模误差对结构损伤识别神经网络的输入向量的影响

通过理论推导，得到了模型参数误差均匀分布时五种输入向量相对误差的计算公式，这些公式为结构损伤识别神经网络的输入向量的选择提供了理论指导。理论分析表明，用归一后的频率变化比或按模态点归一的一阶模态损伤信号指标构造神经网络的输入向量，能有效地降低甚至消除均匀建模误差的影响。这些公式和结论在梁和框架损伤识别的数值算例中得到了证实。此外，本对非均匀建模误差对神经网络输入向量及识别结果的影响进行了数值模拟和分析。     

基于CACO算法的结构多损伤识别

结构多损伤识别是结构健康监测领域的一个具有挑战性的研究课题,数学上,它通常可以转化为连续函数的约束优化问题。介绍连续优化蚁群算法(CACO)的基本原理、从离散ACO到CACO的实现、寻优路径的构建、以及信息素更新和挥发的数学建模,尝试探寻将CACO算法应用于结构多损伤识别问题的可行性并进行数值仿真和实验研究。通过两层刚架多损伤数值仿真以及三层建筑框架结构4种损伤的实验研究,结果表明:采用CACO算法对结构多损伤进行识别不但能够准确定位结构多损伤,而且还可以有效识别其损伤程度。由此可见,CACO算法应用于结构多损伤识别的效果是显而易见的。     

基于附加虚拟支座的结构损伤识别方法

本文针对土木工程中实测模态相对较少,很难进行大型结构的损伤识别的困难,提出附加虚拟支座的损伤识别方法。该方法利用约束子结构方法在结构上附加虚拟支座来增加结构形式的方法,增加识别模态的数量,从而实现结构的准确损伤识别。约束子结构方法的基本思想是通过响应的卷积组合为零将传感器转化为虚拟支座。将附加虚拟支座后的结构定义为虚拟结构,每个虚拟支座对应一个虚拟结构,那么在结构上不同位置附加虚拟支座,则可以获得多个虚拟结构的模态;联合所有虚拟结构和对应的频率即可准确快速的识别出整体结构的损伤。最后通过三层空间框架模型验证方法的有效性。