基于神经网络的损伤构件及损伤程度识别

确定损伤构件及其损伤程度是分阶段损伤识别的最后一步,同时又是进一步制定结构安全运行决策的前提和基础。研究了在确定了结构损伤区域的条件下,应用反向传播(BP)神经网络同时实现对具体损伤构件及其损伤程度识别的方法。探讨了针对上述神经网络训练数据的构造和训练策略。应用提出的方法对汲水门斜拉桥桥面结构进行了损伤识别仿真模拟。基于模态参数对损伤的灵敏度分析,选取了12个自振频率和损伤区域附近的6个振型分量作为构造网络输入的基本数据。网络的输出向量同时指示了损伤构件及其损伤程度。就模拟的10种损伤情况,当损伤程度达到60%以上时,有9种实现了正确的构件识别,半数以上给出了可以接受的损伤程度描述。

简支梁桥损伤程度识别的模拟和试验

在结合钢桁桥损伤程度识别方法的基础上,提出了适用于简支梁结构的两种损伤程度识别方法:整体振型的相关系数法和保证准则法,将其应用到实验室简支梁结构上分别进行数值模拟和试验。脉冲激励下的结果表明,两种方法能较准确地识别损伤单元的等效损伤程度,具有很强的抗噪能力。最后,探讨了激励对提出方法的影响,为工程应用奠定了基础。

STFT变换在高层框架结构地震损伤程度识别中的应用

为了研究地震作用下高层框架结构的损伤程度信息,以结构刚度折减率为损伤程度指标,以结构的频率变化率为损伤程度识别参数,采用Matlab模拟结构在不同的损伤程度指标下的加速度响应数据,利用短时傅里叶变换方法对响应数据分析得到结构的模态参数,从而建立损伤程度指标与结构模态参数的函数关系。将损伤结构的模态参数代入函数关系式计算结构的损伤程度指标。采用同济大学振动台试验数据,利用此方法识别结构的损伤程度与振动台试验观察到的损伤程度高度吻合。

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti⁃interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。

基于PSO-FC优化KPCA的特征提取及行星齿轮磨损损伤程度识别

行星齿轮传动系统发生故障时,其信号传递中相互耦合,呈现非线性的特性,使得行星齿轮的故障类型及损伤程度难以识别。借鉴模式识别中Fisher准则(FC)判别函数,构建核函数尺度参数优化的数学模型,应用改进的粒子群优化方法对其寻优,充分改善核主元分析法(KPCA)对于非线性问题的分析性能,将其应用于行星齿轮的磨损损伤程度的识别和诊断中。实例分析结果表明,基于PSO-FC智能优化后的KPCA改善了特征空间内数据分布结构,在行星齿轮的磨损损伤程度识别中取得了较好的尺度聚类效果,可以有效地解决复杂机械传动中损伤边界模糊、损伤程度难以识别的问题。

基于自注意力的卷积神经网络结构损伤识别

传统的损伤识别技术依赖于人工特征工程和机器学习技术。深度学习在现代结构损伤识别方面的应用,使得精度和效率取得了显著的提高。文章以现有的深度学习技术为基础,提出了一种基于注意力机制的卷积神经网络,在一座三跨连续桥上进行的实验验证表明,单点损伤识别的误差为2.4%,而多点损伤识别误差低于5%。因此,这种基于深度学习方法可以有效的解决结构损伤识别问题。

基于改进后的BP神经网络在混凝土桥梁损伤识别中的应用研究

混凝土桥梁的损伤识别与定位是目前的研究热点之一。本文在传统BP神经网络的基础上对其进行改进,并将改进后的BP神经网络应用在混凝土桥梁损伤定位与识别过程中。首先建立了识别桥梁的数值有限元模型,然后得到不同损伤情况下的桥梁自振频率和曲率模态值。将自振频率和曲率模态值作为改进后BP神经网络的输入参数,以有限元单模型中的损伤位置和损伤程度作为输出值,进而实现对桥梁结构的损伤定位和损伤识别。最后通过南京浦仪公路混凝土简支梁和连续梁为工程背景进行了验证。结果表明:采用改进后的BP神经网络可以很好的实现对桥梁的损伤定位和损伤程度的识别,并且具有很好的识别精度。即使在噪声存在的情况下,改进后的BP神经网络仍然可以达到很好的识别效果。

基于静态位移的简支桥梁损伤识别方法

以简支桥梁为研究对象,建立了基于静态位移的损伤识别方法.利用结构在相同载荷作用下、不同损伤状态的桥梁静态位移,提出了桥梁曲率比的损伤定位指标.利用结构基准状态即有限元基准模型建立了损伤程度识别公式.该公式可利用线性规划优化算法求解,其中有限元基准模型建立过程简单,只需要保证有限元基准模型的几何构型与桥梁结构相同即可.分析了1个具有多处损伤的简支梁,从数值模拟角度验证了所建立的损伤识别方法有效性.结果表明,曲率比的损伤定位指标能准确定位,而损伤程度识别公式可大致识别损伤程度.由于所建立的损伤识别方法仅仅基于静态挠度数据,故可在于桥梁检测中参考.

基于主成分分析和支持向量机的结构损伤识别研究

提出了一种利用振动响应加速度信号结合主成分分析和支持向量机算法进行结构损伤识别的方法。首先,提取结构加速度振动响应信号;然后,采用主成分分析方法对上述提取到的结构加速度振动响应信号进行分析,提取前n阶主成分并将其按照某种规则组合成一维向量,作为结构损伤特征向量;最后,利用支持向量机的分类和回归算法分别进行损伤位置和损伤程度识别研究。该方法可以在样本较少的条件下取得较好的损伤识别结果,且具有一定的抗噪声能力。白噪声激励下的五层框架结构的数值模拟结果证明了该方法的有效性。

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.

基于神经网络的大跨钢结构缺陷损伤的定位研究

大跨钢结构目前被广泛应用于体育馆等大型公共建筑中。但其缺陷损伤位置的确定,至今没有得到很好的解决,这必将影响其使用过程中的安全性。利用神经网络技术,以某高校体育场馆的大跨钢结构为工程背景进行模拟损伤定位研究,通过ANSYS计算软件对该大跨钢结构建模分析,得出了该结构在损伤前后的模态参数,并将其结果作为网络的输入参数。为了提高神经网络模型对该结构缺陷损伤判定的收敛速度及诊断精度,在进行损伤识别时,将该大跨结构细分成许多子结构,缩小损伤的范围,同时将高阶频率引入到不同的神经网络训练样本中进行网络训练,检验其对该结构及构件损伤识别的影响。分析结果表明,采用神经网络技术对大型复杂结构进行损伤定位是可行的,并通过该方法的改进,将识别精度大大的提高,所得结论为今后进行网络改进,提高网络的准确性、抗干扰性和泛化能力提供了有意义的参考。