基于内积矩阵及卷积自编码器的螺栓松动状态监测

螺栓连接结构中的螺栓松动容易导致结构失效,如何对结构中的螺栓松动状态进行监测是当前研究的一个热点。该文利用环境激励下结构振动响应的相关性分析,结合深度学习技术,研究了一种联合使用内积矩阵(inner product matrix,IPM)和卷积自编码器(convolutional autoencoder,CAE)的神经网络模型,即基于内积矩阵及卷积自编码器(inner product matrix and convolutional autoencoder,IPM-CAE)的深度学习模型。通过对螺栓连接搭接板的螺栓松动状态监测的试验研究,验证了该方法的可行性及有效性,并与使用IPM的卷积神经网络(convolutional neural network,CNN)、堆栈自动编码器(stack autoencoder,SAE)及胶囊网络(capsule network,CapsNet)相比,IPM-CAE方法具有较快的网络训练收敛速度和较高的识别精度。

基于内积矩阵及深度学习的结构健康监测研究

环境激励下仅利用振动响应的结构健康监测方法,因其便于实现在线监测受到了越来越多的关注。该文回顾了以振动时域响应相关性分析为基础的结构特征参数(即内积向量)的基本概念及特征。为了从已有测试数据中提取更多的结构特征参数,分别以各个响应测点为参考点来构建多个内积向量并组成矩阵,将内积向量扩展到了内积矩阵。进而以内积矩阵为结构特征参数,结合深度卷积神经网络的特征提取能力,提出了基于内积矩阵及深度学习的结构健康监测方法。典型航空加筋壁板螺栓松动监测的实验研究结果表明,仅利用结构在环境激励下部分测点的振动时域响应,该文方法可以准确地识别螺栓松动位置。

基于全局传递函数的弹性飞机响应预测

未知振动对弹性飞机结构有显著的负面影响.因此,有必要对结构的振动响应进行准确的预测。然而,当目标点存在激励载荷时,大多数现有方法的预测效果较差.为了克服这一缺点,我们提出了一种基于全局传递函数(global transfer function,GTF)的响应预测方法.GTF直接使用参考点的响应预测目标点响应,不需要载荷参与,也不依赖于动力学模型.此外,目标点激励的贡献也可以得到有效的补偿和校正.我们通过有限元模型和实际系统的实验,验证了GTF的有效性和准确性.详细研究了传感器位置、传感器数量、激励类型、激励方式和噪声等因素的影响.并对GTF和基于直接传递函数(direct transfer functio,DTF)的响应预测结果进行了比较.结果表明,GTF能有效预测振动响应,满足工业要求.因此,GTF是一种很有前途的弹性飞机响应预测方法.