张跃强[1]2004年在《基于神经网络的结构损伤检测方法研究》文中提出摘 要 结构健康检测是当今土木工程领域的一个研究热点。结构损伤检测是结构健康检测的基础和核心，振动模态分析技术和神经网络技术是解决这一问题的有效工具。本文目的在于针对课题背景中的不同结构类型，研究发展适合不同类型结构的损伤诊断系统。针对结构动力信息的获取方面，本文介绍了环境脉动试验及其在结构动力特性中的应用，对传统频谱分析方法和基于小波分析理论的时频分析方法进行了讨论比较；针对结构损伤识别理论方面，研究分析了包括损伤定位和损伤程度判断的结构损伤识别的实现过程，提出了应用曲率模态进行损伤检测的方法，并用悬臂梁的数值模拟进行了验证。 借助 SAP2000 有限元分析软件，本文分别对框架结构和超高层结构进行了有限元仿真分析，利用仿真计算结果构造了总计 1236 个样本单元，一方面采用相同的神经网络类型(PNN 神经网络)构造固有频率指标、位移模态指标、组合指标以及曲率模态指标进行损伤检测并进行了损伤精度上的比较；另一方面采用相同指标对 BP 网络、PNN 网络和LVQ 网络的应用效果进行了比较，提出了针对具体结构类型在损伤检测的不同阶段采用不同损伤指标不同网络类型的分阶段识别方法。对于超高层结构损伤样本空间庞大识别速度慢的问题，分析研究了采用非线性时程分析，根据层间位移大小决定不同区域损伤样本数量进行样本空间缩减的方法。 结合“泉州抗震防灾规划”项目，对古建筑的抗震鉴定进行了研究，提出了现场实测和有限元建模相结合的计算模型修正方法，以泉州开元寺镇国塔为例进行了分析。
王军强[2]2002年在《基于振动模态分析技术和神经网络的结构损伤监测》文中认为结构健康监测是当前工程界与学术界研究的一个热点问题。本文对应用振动模态分析识别结构损伤研究的大量国内外文献进行系统分析、归纳和总结的基础上，创造性地提出把结构损伤识别问题分成叁个子模块分别来进行，即结构损伤辨识子模块、结构损伤定位子模块和结构损伤程度标定子模块。并针对上述子模块，分别提出了相应的标识量，这些标识量对损伤有较好的敏感性。 鉴于用振动模态构造的损伤标识量往往需要求解复杂的数学反演问题使结构损伤识别的在线实时监测存在困难。神经网络以其优异的非线性映射能力可以将逆问题正问题化，因此本文提出将振动模态分析和神经网络技术结合起来，以振动模态构造的损伤标识量作为神经网络识别输入的特征参数，从而进行结构健康监测。 针对BP网络固有的收敛速度慢、局部极小等问题，本文对BP网络进行了性能优化，经过软件实现和数值仿真，效果很好。应用该优化的BP网络对工程上最常见的矩形梁进行了损伤识别，结果令人满意。上述研究成果表明，本文所采用的将神经网络技术和振动模态分析技术相结合的方法是行之有效的，为结构健康监测研究提出了一条新的技术路线。
张治国[3]2005年在《基于模态分析理论和神经网络的桥梁损伤识别方法研究》文中研究指明随着我国交通事业的快速发展，特大型桥梁结构不断涌现，新旧桥梁数量日益增多。为确保人民生命财产安全，快速有效地识别出桥梁结构可能发生损伤的部位和损伤程度，及时掌握桥梁运营下的健康状况，是当前桥梁工程研究领域的热点问题之一。 本文在研究国内外大量有关结构损伤识别和神经网络资料的基础上，根据桥梁结构损伤识别与神经网络的发展前景，利用有限元ANSYS及MATLAB程序将振动模态分析理论和BP神经网络相结合应用于桥梁损伤识别中，同时实现对损伤位置与损伤程度的识别，形成一套基于振动模态分析理论和BP神经网络的桥梁损伤识别方法。 首先，本文对基于振动模态分析理论的损伤识别方法进行了探讨。在此过程中分析了该方法的基本原理和过程，较详细地研究了损伤识别的模态频率法、模态振型差法、曲率模态／应变模态法、曲率模态差法、柔度差法和柔度曲率法的基本原理、优劣特性及适用范围。此外，采用悬臂梁模型进行损伤仿真计算，研究和比较了上述各种方法对于单损伤位置和多损伤位置不同情况的识别能力。 在这一部分，提出了梁结构损伤位置识别的柔度曲率法，该法既有高的灵敏度又避免了使用原结构的模态参数，对于没有原始结构模态参数的损伤识别技术显得尤为重要。算法具有计算量小和简便易行的优点，而且仅需要低阶模态信息即可获得很好的识别效果。同时，开展了结构多损伤识别的研究，探讨了曲率模态法和柔度曲率法的结构多损伤识别。 其次，本文对基于BP神经网络的损伤识别方法进行了探讨。在此过程中分析了人工神经网络的基本理论，比较详细地研究了BP神经网络、BP经典算法和经过优化的LM算法以及BP神经网络在MATLAB中的实现，系统地阐述了基于BP神经网络损伤识别的基本原理和过程以及神经网络工具箱函数。在此基础上，以简支矩形截面钢梁损伤识别为例，进行了实例应用研究。 在这一部分，针对BP神经网络固有的收敛速度慢、局部极小等问题，本文对BP神经网络进行了性能优化，应用该优化的BP神经网络经过MATLAB武汉理工大学硕士学位论文软件实现对工程上最常见的矩形梁进行了损伤识别，结果令人满意。 最后，根据云阳长江公路大桥设计、施工资料，对该桥进行了有限元建模与动力分析。考虑了桥梁结构单构件损伤、两个构件损伤、叁个构件损伤叁类损伤工况，分别采用了模态频率、位移振型模态、曲率模态叁种指标作为神经网络的输入参数，采集各损伤状态下的样本数据，共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别桥梁结构损伤位置和损伤程度。该方法具有广阔的应用前景，对于预测评价桥梁结构的健康状况将具有十分重要的意义，同时，该方法具有简便、快速、无损的优点，具有显着的经济效益和社会效益。 在这一部分的研究中，鉴于用振动模态构造的损伤标识量往往需要求解复杂的数学反演问题，然而神经网络以其优异的非线性映射能力可以将逆问题正问题化，因此本文提出将振动模态分析和神经网络技术结合起来，以振动模态构造的损伤标识量作为神经网络识别输入的特征参数，从而进行结构健康监测。值得一提的是，为方便统计，并说明识别效果，依据网络实际输出特点，作者定义了两个名词:“真分量”“伪分量”，并尝试性地对损伤位置识别与损伤程度识别提出了统一的判断标准，即以损伤位置识别正确率兄、损伤程度识别精确度刀、总体正确率:、平方和误差E为标准来检验BP神经网络识别的效果。关键词:损伤识别，模态分析，神经网络，曲率模态，柔度曲率，MATLAB
丁雯静[4]2007年在《基于柔度矩阵和神经网络的损伤识别方法研究》文中进行了进一步梳理近二十年来，随着各种工程结构的老化问题和维修成本的增加，使得结构的损伤检测和健康监测方法获得了快速的发展。许多结构损伤识别方法是以结构固有特性为依据，利用结构动力响应信息，通过寻求结构损伤前后模态参数的变化来识别结构损伤的发生、位置和程度。这些损伤识别方法对结构损伤的识别具有一定的准确性和有效性。但是损伤会引起结构参数的变化，可能会导致损伤前后具有相同阶数的模态并不是一一对应的关系。理论上已经证明损伤前后模态可能会发生跃迁的现象。 本文提出一种新的损伤识别指标，即柔度对角曲率。它只需结构损伤后的低阶模态参数，从而避免考虑模态跃迁和高阶模态参数不易测量的因素而影响识别的准确性。以悬臂梁结构为研究对象，建立有限元模型，对结构发生单损伤和多损伤的情况进行损伤模拟，用柔度对角曲率和已有文献中提及的柔度曲率这两个损伤识别指标分别对结构的损伤进行识别研究。结果表明这两种损伤识别指标均可对损伤的存在、位置和程度进行识别，并对比分析了两种损伤识别指标对损伤的敏感度。 用模态参数构造损伤识别指标的损伤识别方法是结构损伤诊断的一条途径，但是只能对结构损伤的位置和程度做出定性的评估。由于人工神经网络具有很好的自组织学习能力、模式识别能力以及容错能力，可以对结构损伤的位置和程度做出定量的辨识。目前人工神经网络应用于结构损伤识别的研究已越来越受到关注。如何选取神经网络的输入参数和设计高效的神经网络对结构损伤进行识别，至今还没有确定的标准，是一个值得研究的课题。本文提出将上述的两种损伤识别指标分别作为神经网络的输入向量，与两种改进算法的BP网络(自适应调整学习率的动量算法和共轭梯度BP算法)以及径向基函数(RBF)网络识别结构的损伤位置和程度。通过算例仿真，验证了在考虑单损伤的情形下，用这两种损伤识别指标得到的样本数据来训练不同的神经网络模型的损伤识别方法是可行的。研究表明，改进算法的BP网络和RBF网络均可对结构损伤的位置和程度进行正确的识别。就网络的性能而言，BP网络中的共轭梯度算法比自适应调整学习率的动量算法的收敛速度要快，因而可达到更高的计算精度，RBF网络是收敛速度最快的，同时满足识别的精度。
鲍凯[5]2003年在《基于结构动态特性分析的神经网络结构损伤诊断研究》文中研究表明结构健康监测的研究，其意义不仅在于结构健康的监测，它还能带来对结构设计理论和规范的反思，是当前国际上的一个研究热点。结构损伤诊断是结构健康监测研究的核心与难点，目前有关这一关键问题的研究两个热点是利用结构振动模态分析技术和人工神经网络技术。 本文在对国内外结构损伤诊断研究系统归纳与总结的基础上，将振动模态分析技术与人工神经网络技术相结合，来探讨进行结构损伤诊断的方法。以悬臂梁为研究对象，对其进行损伤模拟，由模态分析获得的模态参数，构造了四种不同类型的损伤标识量，并采用经过改进的BP神经网络进行损伤识别，识别结果令人满意。由识别结果的分析，比较了不同类型损伤标识量对损伤的灵敏度，指出模态信息的不完善性对结构损伤识别的结果几乎没有影响，研究结果具有一定的工程实际意义。论文最后总结了基于结构动态特性分析的神经网络结构损伤诊断方法，并提出了未来研究的发展方向。
施晓良[6]2005年在《基于振动模态分析和神经网络技术的结构损伤辨识》文中研究指明结构健康监测近年来成为工程与学术界关注的热点,结构健康监测所研究的内容主要包括结构损伤辨识、损伤定位与损伤程度的标定。结构损伤诊断是结构健康监测研究的核心与难点,目前有关这一关键问题的研究两个热点是利用结构振动模态分析技术和人工神经网络技术。 本文在对国内外结构损伤诊断研究系统归纳与总结的基础上,将振动模态分析技术与人工神经网络技术相结合,来探讨进行结构损伤诊断的方法。以板模型和机翼模型为研究对象,对其进行损伤模拟,由模态分析获得的模态参数。针对板模型构造了叁种不同类型的损伤标识量,并采用经过改进的BP神经网络进行损伤识别,识别结果令人满意:针对机翼结构构造了两种损伤标识量,也有较高的识别精度。由识别结果的分析,比较了不同类型损伤标识量对损伤的灵敏度,指出模态信息的不完善性对结构损伤识别的结果几乎没有影响,研究结果具有一定的工程实际意义。论文最后总结了基于结构动态特性分析的神经网络结构损伤诊断方法,并提出了未来研究的发展方向。
薛明玉[7]2010年在《遗传算法和神经网络在结构损伤识别中的应用》文中指出由于各种因素作用,土木工程结构将不可避免地产生可能导致严重后果的损伤,因此,对土木工程结构进行健康监测很有必要。近年来,结构健康监测系统越来越多的安装到桥梁、大跨空间结构、海洋平台等大型土木工程结构中,但作为健康监测系统核心技术之一的损伤识别技术仍未从根本上得到解决,严重限制了结构健康监测系统的功能.因此,进一步深入研究能适应大型土木工程结构实时健康监测系统需要的损伤识别方法具有重要的理论意义和工程实际应用价值。结构损伤识别问题实质上可看作是一个模式识别问题,即确定损伤指标与结构损伤状态之间的关系问题。模式识别就是将理论分析得到的损伤模式特征库与实测的模式进行匹配。传统的模式识别技术对于土木工程多种损伤组合“爆炸”和由于噪声引起的模式失真等问题难以解决,而人工神经网络算法在模式识别问题方面所具备的突出优点,已逐渐被越来越多的研究者应用于结构损伤识别领域。应用神经网络较强的模式分类功能,选择合适的模态信息,即可进行结构损伤识别。然而,由于BP算法是一种梯度下降搜索方法,因而不可免地存在固有的不足,如收敛速度慢、易陷入误差函数的局部极小点,对于较大的搜索空间多值和不可微函数不能有效搜索到全局极小点。本文首先对BP神经网络和遗传算法的优缺点进行了分析,然后将擅长全局搜索的遗传算法和局部寻优能力较强的BP算法结合起来,根据GA的交叉、变异和选择算子在全变量空间以较大概率搜索全局解和在解的点附近利用BP神经网络能快速、精确地收敛的特点,融合二者的优点,将二者有机结合,利用遗传算法调整神经网络的权值,将优化所得参数作为神经网络的初始权值,可以辟免陷入局部极小值,提高算法收敛速度,很快得到问题的全局最优解。最后应用该优化的GA-BP网络对工程上最常见的矩形钢筋混凝土梁进行了损伤识别,建立GA-BP网络模型,对结构的损伤位置和损伤程度进行了数值模拟试验及识别,模拟试验表明恰当的神经网络模型具有较好损伤识别能力。
董晓马[8]2005年在《智能结构的损伤诊断及传感器优化配置研究》文中指出损伤自诊断功能是智能结构应用的一个非常重要的方向,它是智能结构研究的核心内容之一,而结构损伤诊断方法和传感器的优化配置是关联结构损伤自诊断功能的两个重要问题,这两个问题的研究,对智能结构自诊断功能的研究及其应用具有重要的理论意义和实用价值。论文围绕国家自然科学基金项目(90205031)“具有自诊断功能的智能夹层的研究”而进行,主要从事智能结构损伤自诊断方法及其传感器优化配置方面的研究,旨在为具有自诊断功能的光纤智能夹层的设计与实现提供理论指导。论文主要研究工作如下:(1)论文在对传统的基于频率的结构损伤识别机理进行阐述的基础上,理论推导了基于频率的改进损伤指标(包括改进的损伤定位指标与改进的损伤程度识别指标),数值算例结果表明,改进的损伤指标比传统指标更适合用来作为结构的损伤敏感特征参数。(2)为消除损伤程度对应变模态差矢量的影响,论文对应变模态差矢量进行了标准化,建立了与损伤程度无关的标准化应变模态差指标,并给予了理论证明,且通过复合材料悬臂梁数值算例进行了验证。再者论文提出了一种结合改进的基于频率损伤定位指标与标准化应变模态差的“组合损伤指标”作为网络的输入特征参数进行结构的损伤位置识别。(3)论文考虑到避免复合因素的识别,简化损伤诊断问题复杂性,提出了一种基于模态分析与神经网络的智能结构多级损伤诊断策略,具体内容有基于径向基神经网络(RBFNN)的损伤报警、基于自适应概率神经网络的损伤定位、基于改进BP神经网络的结构损伤程度识别等叁个方面,对它们的基本原理、技术的实现方法进行了研究,并以复合材料悬臂梁数值仿真试验与钢尺悬臂梁试验对该方法进行可行性研究,结果表明该智能结构多级损伤诊断方法能对结构损伤进行较为准确的识别。(4)论文提出了基于应变模态保证准则的应变传感器优化配置准则以及基于应变模态矩阵信息阵的2-范数初步拟定一小组传感器布位的方法,并对剩余传感器布位优化采用的改进遗传算法进行了研究。最后以一个复合材料四端简支板算例对上述方法可行性进行研究,结果表明,该方法能更加有效地配置应变传感器,为智能结构损伤诊断中的应变传感器位置优化配置提供理论指导。
李志宁[9]2007年在《神经网络在框架结构损伤诊断中的应用研究》文中指出目前，结构损伤诊断方法的研究已成为土木工程领域的一个前沿研究课题。由于结构损伤会导致其固有频率和模态振型的变化，因此，如果建立结构动力特性变化与结构损伤之间的映射关系，那么可以利用结构振动测试信息实现结构损伤识别。人工神经网络在损伤检测中的应用是近年来迅速发展，并得到广泛应用的一种新方法。由于其具有良好的非线性映射能力、强大的解决反问题能力、实时计算能力，可以作为一种优秀的结构损伤诊断方法。本文对一个五层的框架结构进行了数值模拟分析，并利用神经网络技术对该结构的损伤进行识别，结果表明本文所提的方法在理论上是可行的、有效的。主要研究内容如下：1．本文在分析结构固有频率和模态振型的基础上，把结构损伤识别问题分为损伤识别、损伤定位、损伤程度标定3个子模块。对每个子模块用不同的模态参数(频率变化比NFCR_i、固有频率的相对变化比FFC_i、损伤特征量NDΦ等)构造对损伤敏感的标识量，并作为特征参数输入到不同的神经网络(PNN、RBF和BP)中实现损伤的逐步识别。2．在不同的损伤阶段，结构的固有频率和模态振型的改变对结构损伤非常敏感。通过对结构损伤前后模态参数(模态频率、模态振型)各种组合的分析，构造出了基于模态振型的损伤识别指标NDΦ。并给出了各种损伤指标的数学推导，得出它们与损伤位置和程度的关系，通过对比选择了包含更多信息的网络输入参数。3．在研究中，利用有限元分析软件(ANSYS)对一五层框架结构进行建模、分析。进而求出其固有频率和模态参数作为神经网络的输入参数；通过降低刚度的方法来模拟不同位置和程度的损伤，得到训练样本和检验样本，应用人工神经网络技术进行结构损伤识别。各损伤工况损伤位置的识别虽然不是完全正确，但是基本上能够把损伤定位，这表明本文方法具有实用性。
盖会明[10]2007年在《海洋平台结构健康监测方法研究》文中指出海洋平台造价极高，所处环境又极度恶劣，服役时间长，其可靠性和耐久性受到了严峻挑战。传统无损检测方法不具有实时性，海洋平台在线监测研究已成为刻不容缓的重大课题。研究海洋平台的结构健康监测方法十分重要，已经成为当今学者的研究热点之一。本文首先介绍了平台结构健康监测的研究现状和面临的难题；给出了海洋平台结构健康监测系统功能、原理和组成，并对海洋平台结构健康监测关键技术做了讨论；总结了基于振动的模态参数识别的方法，并指出了各种方法的优缺点；详细给出了基于振动的海洋平台结构健康监测方法。进而提出了识别海洋平台结构损伤分两步走的方法：第一步，先用任意两阶频率比的方法识别海洋平台构件损伤；第二步，由于处于对称位置的相同构件损伤不能够被识别，提出了一种区分对称位置相同构件损伤的新方法-相对总位差法。最后用ANSYS软件进一步对海洋平台做浮冰撞击和地震载荷分析，指出了冰击载荷不容忽视性；并做海洋平台谐响应分析，进一步验证了海洋平台模态分析结果的正确性。
参考文献：
[1]. 基于神经网络的结构损伤检测方法研究[D]. 张跃强. 北京工业大学. 2004
[2]. 基于振动模态分析技术和神经网络的结构损伤监测[D]. 王军强. 西北工业大学. 2002
[3]. 基于模态分析理论和神经网络的桥梁损伤识别方法研究[D]. 张治国. 武汉理工大学. 2005
[4]. 基于柔度矩阵和神经网络的损伤识别方法研究[D]. 丁雯静. 西北工业大学. 2007
[5]. 基于结构动态特性分析的神经网络结构损伤诊断研究[D]. 鲍凯. 西北工业大学. 2003
[6]. 基于振动模态分析和神经网络技术的结构损伤辨识[D]. 施晓良. 西北工业大学. 2005
[7]. 遗传算法和神经网络在结构损伤识别中的应用[D]. 薛明玉. 大连理工大学. 2010
[8]. 智能结构的损伤诊断及传感器优化配置研究[D]. 董晓马. 东南大学. 2005
[9]. 神经网络在框架结构损伤诊断中的应用研究[D]. 李志宁. 武汉理工大学. 2007
[10]. 海洋平台结构健康监测方法研究[D]. 盖会明. 北京化工大学. 2007
标签：航空航天科学与工程论文; 模态分析论文; 神经网络模型论文; 网络结构论文; 振动频率论文; bp神经网络论文; bp算法论文;