基于希尔伯特损伤特征向量的挡土墙结构损伤诊断

为了诊断挡墙结构损伤,通过希尔伯特-黄变换对激励作用下挡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谱分析,筛选出对损伤较为敏感的特征频段,基于特征频段创建希尔伯特损伤特征向量,并提出损伤识别指标:能量比变异系数。基于损伤特征向量及损伤指标,提出了一种用于挡墙结构的损伤诊断方法,即通过损伤特征向量判别挡墙损伤状态,通过损伤指标走势曲面图诊断挡墙损伤位置,通过损伤指标与损伤程度间的定量关系识别挡墙损伤程度。对某桩板式挡墙进行了动力测试,验证该损伤诊断方法的可行性及有效性。结果表明:当挡土墙无损(无钻孔)时,损伤特征向量为零向量;当挡土墙有损(有钻孔)时,损伤特征向量为非零向量。通过损伤特征向量可判别挡墙损伤状态。局部损伤导致损伤指标走势图出现较大起伏,走势图峰值坐标即为局部损伤中心。建立了损伤指标与挡土墙损伤程度间的定量关系式,已知损伤指标可反算出损伤程度。该损伤诊断方法可敏感判别挡墙损伤状态、有效诊断损伤位置及定量识别损伤程度。

采用改进的希尔伯特黄变换的损伤检测特征提取方法

针对损伤检测中存在的难以提取准确描述损伤信息特征的问题,提出了一种基于改进的希尔伯特黄变换的有效特征选择方法。该方法首先对信号进行小波包分解和重构,得到一系列窄带信号,然后对其分别做经验模式分解得到若干个固有模式函数,基于互信息量筛选出真实固有模式函数,并对真实固有模式函数分别做希尔伯特变换得到瞬时属性,最后根据瞬时属性提取相关的时频特征。在损伤检测应用中,采用前向反馈神经网络对提取的特征进行分类,结果表明,利用该方法提取的音频信号特征非常有效,综合分类性能指标F相比于原始的希尔伯特黄变换提高了7.7%。

基于状态特征向量的装配式建筑钢结构损伤识别方法

为提高装配式建筑钢结构损伤识别精度,测定准确的损伤裂缝长度及相关数据,引入状态特征向量,开展对装配式建筑钢结构损伤识别方法的设计研究。利用状态特征向量,提取建筑钢结构参数,结合支持向量机,完成钢结构损伤磁记忆特征检测。基于检测结果,实现对装配式建筑钢结构损伤的等级判定。将新的识别方法与现有的两种识别方法应用于相同实验环境对比可知,新的识别方法可以得到更准确、精度更高的识别结果,查明所有的损伤问题,且识别误差不超过±0.1 mm。将新的识别方法应用于实际,能够进一步提高钢结构的施工质量,同时可以通过识别结果为钢结构性能优化和维护策略的提出提供重要依据。

基于小波包能量特征向量的结构动力响应损伤识别

在结构动力响应监测中如何准确判断结构损伤状况是工程上的一大难题,本文研究通过小波包能量特征向量提取结构损伤信息来识别结构损伤的方法,并进行实验分析,同时分析噪声对能量值的影响。实验发现:小波包能量特征向量具有识别结构状态的能力,并且不受噪声的影响,相反,对观测信号去噪后不利于能量特征向量的提取。

基于损伤特征向量谱的桩板式挡土墙损伤预警

对结构动力系统响应信号间的虚拟脉冲响应函数进行小波包分解得到小波包频带能量谱,引入剩余频带的概念,创建特征频带向量谱,并在特征频带向量谱的基础上构建损伤特征向量谱。当损伤特征向量谱为零向量时,挡土墙不存在损伤;当损伤特征向量谱为非零向量时,挡土墙存在损伤。为了量化挡土墙的损伤状态,提出2个损伤预警指标:能量比均方差D_(IS)和能量比变异系数C_(Ⅳ)。对某桩板式挡土墙进行锤击振动试验,通过损伤预警指标对不同损伤状态下的挡土墙进行损伤识别。研究结果表明:当DIS=0,C_(Ⅳ)=0时,挡土墙不存在损伤;随着D_(IS)和C_(Ⅳ)的增大,挡土墙的损伤程度增大。因此,预警指标D_(IS)和C_(Ⅳ)不但可诊断挡土墙是否存在损伤,而且可识别挡土墙的损伤程度,可用于挡土墙结构的损伤预警。

基于特征向量简化的复杂土木结构损伤检测

针对PNN在有噪声情况下进行结构损伤检测时输入矢量数目大,匹配模式多,训练时间长的缺点,提出了运用主组分分析法来处理数据的概率神经网络损伤定位方法.研究发现,运用该方法进行损伤定位,不仅输入矢量数目和训练时间少于未简化的PNN,而且可以极大地提高损伤定位的识别精度.

加权特征向量LS-SVM在线结构损伤识别

在增量式最小二乘支持向量机(SILS-SVM)方法的基础上,提出了加权特征向量最小二乘支持向量机(WEVLS-SVM)在线结构损伤识别方法。该方法根据训练数据贡献量的大小对数据进行加权,从而更适合于对结构的时变参数进行在线识别,同时较增量式算法有更小的累积误差。以一剪切型结构为例进行了数值模拟,分析结果表明,该方法与非加权的SILS-SVM方法相比,能更好地适应系统参数的变化,从而能很好地识别结构的损伤及其程度。

填埋场振动台试验及渐进式损伤能量识别

为了探讨地震作用下含导排衬垫层填埋场的损伤变形特性,开展了含导排衬垫层的填埋场边坡的大型振动台试验,并根据填埋场各处动态响应规律,提出了一种基于希尔伯特-黄(HHT)和边际谱的能量识别方法。该方法能够用于识别填埋场整体损伤和局部损伤,并根据实测位移值对该方法的有效性进行了讨论。试验结果表明,在输入波峰值加速度为0.3g时,坡脚正位移峰值及坡中负位移峰值突变;希尔波特谱峰值(PSHEA)随着高度的增加而增加,填埋场固废层希尔伯特能量大于衬垫及导排系统;输入波峰值加速度为0.3g及0.4g时,导排衬垫界处抗剪强度低面及中老固废交界震陷,边际谱峰值(PMSA)发生突变,能量传递异常。填埋场在地震作用下的损伤主要分为3个阶段:0.1g~0.2g未发生破坏阶段,0.3g~0.4g局部损伤阶段,破坏由导排及衬垫系统开始,0.5g整体破坏阶段填埋场边坡进入塑性变化;输入波幅值达到0.3g时衬垫导排层先产生滑移,峰值时刻固废交界处发生破坏。研究成果可为填埋场在地震作用下的损伤预测及填埋场抗震减灾技术设计提供参考依据。

环境激励下挡土墙结构损伤识别及安全性评价

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。

基于移动主成分分析与集成学习的结构损伤识别方法

为了提高结构损伤定量和定位的准确率,提出基于移动主成分分析与集成学习的结构损伤识别方法;利用移动主成分分析对原始应变响应数据进行特征分析,得到包含损伤信息的第一、第二特征向量,将两者相结合所得的组合特征向量作为损伤指标输入集成学习模型,进行结构损伤程度和损伤位置预测;采用双跨平面梁的仿真应变监测数据,对所提出的结构损伤识别方法的有效性进行验证,对比分别以第一、第二、组合特征向量作为输入的分类模型的损伤定量和定位的准确率。结果表明:在一定强度的噪声条件下,组合特征向量能同时具备第一、第二特征向量的优点,并且能克服单个特征向量的局限,获得优异的损伤识别性能和抗噪性;在信噪比为40 dB的弱噪声情况下,将组合特征向量输入集成学习模型进行损伤定量和定位,准确率分别可达98.9%、99.0%,在信噪比为10 dB的强噪声情况下准确率仍分别可达82.3%、73.2%。

基于移动主成分分析特征的智能损伤诊断方法

文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。

考虑水平和竖直方向振动作用的导线疲劳损伤检测方法研究

针对架空导线振动损伤检测方法计算精度不高的问题,提出一种更为精确的导线损伤检测方法。该方法以不同风速和张力下具有水平和竖直动力的不对称双跨导线结构响应特征为基础,研究水平和竖直方向振动作用的导线疲劳损伤程度。通过薛氏模型识别出水平和竖直加速度信号,利用深度孪生神经网络(deep Siamese convolutional network,DSCN)架构将水平和竖直方向加速度信号输入标准化时间窗,然后经过希尔伯特黄变换支持向量机(Hilbert Huang transform-support vector machine,HHT-SVM)算法求解导线疲劳损伤值,并与主流算法对比验证。不同风速条件下的数据结果显示,HHT-SVM方法较遗传算法、卷积神经网络(convolutional neural network,CNN)算法两种方法更为优异,计算的疲劳损伤值总体精度分别提高了22.77%、8.06%,模态阶数精度提高了23%、4%,迭代次数减少了45%、17%。最后,通过HHT-SVM方法,结合三维颤振稳定性检测图,得出导线振动与疲劳损伤值的关系与推导出的比例关系一致,从而再次验证该方法的可靠性。

基于WPT和SVM的金属薄板损伤信号识别方法

针对金属薄板在工艺加工和成型的过程中会产生分层、孔洞、裂缝等内部缺陷的问题,采用兰姆波对钢材薄板进行损伤检测,提出一种基于小波包变换和支持向量机的金属薄板微弱损伤信号特征提取与识别方法。采用小波包变换对接收到的回波信号进行特征提取和筛选,回波信号经过小波包阈值降噪预处理,从时域、频域和时频域三个角度构造出25个特征值,并通过主成分分析进行降维处理提取出损伤特征向量,将样本数据集输入至粒子群优化后的支持向量机识别模型中进行损伤识别。结果表明:模型分类出无损伤、孔洞、槽型、焊点信号损伤类型,识别准确率达到91.67%,与BP神经网络方法进行分类对比,SVM识别模型具有较好的分类性能,从而验证了小波包变换和支持向量机相结合来识别金属薄板微弱损伤信号识别分类的准确性和有效性。

基于预测兰姆波参考信号的缺陷概率成像

针对兰姆波缺陷概率成像需要从材质相同的无缺陷结构获得参考信号的问题,提出一种基于参考信号理论预测的概率成像方法,实现兰姆波缺陷定位.该方法将初始信号和兰姆波的频散特性结合,根据拟合得到的幅值衰减系数计算概率成像路径上的参考信号.根据该方法计算得到的参考信号和对应路径上响应信号的希尔伯特谱定义缺陷表征指数,结合兰姆波椭圆概率成像方法实现缺陷定位.单一缺陷和双缺陷成像定位的实验结果表明,该方法可以得到缺陷的概率图像,对缺陷定位的误差小于7.07 mm,解决了需要测量兰姆波参考信号的问题,定位准确、实用性好.

基于提升小波包和神经网络的结构损伤检测

提出一种提升小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,对多个传感器采集的振动响应信号进行提升格式小波包分解,定义标准化相对能量并计算每个频带上的相对能量;然后,把这些传感器信号的小波包相对能量融合作为神经网络分类器的输入特征向量,实现损伤的诊断和评价。数值仿真结果表明,提升小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有较高的精度和可靠性。

自由度匹配技术在网壳结构损伤识别应用中的比较研究

测试自由度与有限元模型自由度不匹配是损伤识别技术应用于实际工程的最大障碍,动力模型缩聚和特征向量扩充技术是解决这一问题的主要手段。提出了基于剩余模态力和最小秩摄动理论的两阶段损伤识别算法,对几种模型缩聚技术和特征向量扩充技术在网壳结构损伤识别应用中的可行性、优缺点及适用范围进行了比较研究。通过单层短程线网壳结构模型的数值模拟,同时考虑测试噪声影响,实现了测试信息不完备情况下的网壳结构损伤识别。结果表明,本文所提出的损伤识别算法可以识别出网壳结构的单位置刚度损伤,而且利用Guyan静态缩聚法和Guyan扩充法进行自由度匹配后的损伤识别结果非常准确,它们是网壳结构损伤识别应用中模型自由度匹配的最佳选择。

基于HHT技术的二维结构损伤定位研究

希尔伯特-黄变换(HHT)是具有适应性的局部化时频分析方法,适用于非线性、非平稳的信号分析。该文基于主动监测技术,将结构健康和损伤状态下的响应信号进行对比,二者的差信号实际上是激励信号通过损伤折射后被接收到的一种信号。利用HHT对差信号和激励信号等进行分析,提取信号群速度的到达时刻,从而得到差信号的传播时间。根据差信号传播路径的分析,并结合四点圆弧定位方法,实现二维结构的损伤定位,实验验证利用HHT信号处理技术能够有效准确的进行复合材料结构的二维损伤定位。

基于一阶应变模态灵敏度的结构损伤定量研究

面向基于动态应变监测数据的结构损伤诊断问题,提出了一种仅利用一阶应变模态振型及其灵敏度分析的损伤定量诊断策略。该策略利用事先规定应变测量单元的变形体结构或构件应变响应数据,通过NExT-ERA方法提取进而筛选识别精度较高的某一阶应变模态振型向量,由该阶特征向量求导得到灵敏度矩阵的同时,提出对其进行参考点归一化以避免质量归一化过程,最后通过求解损伤方程组得到单元刚度参量的改变。分别以下承式钢桁梁桥主桁架和装配式T形简支梁桥主梁简化模型为例,验证了该策略的有效性,分析了识别精度、噪声干扰和损伤程度对诊断效果的影响。该研究可为基于实时监测的结构在线诊断提供一定的理论和技术支持。

基于小波包分解的数据融合损伤识别方法

目的为了充分利用来自多传感器的冗余、带噪声数据,提高结构损伤识别的精度.方法利用小波包良好的时-频特性,首先用小波包分解对结构响应进行处理,提取信号的不同特征参数,然后利用不同的特征向量对结构分别进行损伤识别,最后应用融合技术对不同的识别结果进行融合处理.并用一个七层钢结构框架的多损伤识别验证了该方法的有效性.结果结果表明,该方法能够极大地提高了结构损伤识别精度.结论运用小波包分析提取信号的特征参数与数据融合技术进行损伤识别,并使二者有机的结合是结构健康监测与检测的有效途径与发展趋势.

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.