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%。

复合材料层合板的颤振预测和模态交叉分析

根据颤振分析的有限元理论,将特征向量定位法应用到复合材料层合板的颤振预测和模态交叉分析。该方法利用特征向量正交性的衰减性质,以特征向量角作为依据来判定颤振临界值。建立了复合材料壁板的有限元空气动力模型,编制了相应的算法,分别使用频率耦合法和特征向量定位法进行颤振预测分析。结果表明,所得的颤振频率和临界气动压力参数与传统颤振分析方法计算结果精度相当,能够实现模态的实时追踪,并从本质上避免了模态交叉对颤振预测的影响。