基于柔度矩陣和神經網絡的損傷識別方法研究.pdf

1、近二十年來，隨著各種工程結構的老化問題和維修成本的增加，使得結構的損傷檢測和健康監(jiān)測方法獲得了快速的發(fā)展。許多結構損傷識別方法是以結構固有特性為依據，利用結構動力響應信息，通過尋求結構損傷前后模態(tài)參數的變化來識別結構損傷的發(fā)生、位置和程度。這些損傷識別方法對結構損傷的識別具有一定的準確性和有效性。但是損傷會引起結構參數的變化，可能會導致損傷前后具有相同階數的模態(tài)并不是一一對應的關系。理論上已經證明損傷前后模態(tài)可能會發(fā)生躍遷的現象。

2、 本文提出一種新的損傷識別指標，即柔度對角曲率。它只需結構損傷后的低階模態(tài)參數，從而避免考慮模態(tài)躍遷和高階模態(tài)參數不易測量的因素而影響識別的準確性。以懸臂梁結構為研究對象，建立有限元模型，對結構發(fā)生單損傷和多損傷的情況進行損傷模擬，用柔度對角曲率和已有文獻中提及的柔度曲率這兩個損傷識別指標分別對結構的損傷進行識別研究。結果表明這兩種損傷識別指標均可對損傷的存在、位置和程度進行識別，并對比分析了兩種損傷識別指標對損傷的敏感度。

3、用模態(tài)參數構造損傷識別指標的損傷識別方法是結構損傷診斷的一條途徑，但是只能對結構損傷的位置和程度做出定性的評估。由于人工神經網絡具有很好的自組織學習能力、模式識別能力以及容錯能力，可以對結構損傷的位置和程度做出定量的辨識。目前人工神經網絡應用于結構損傷識別的研究已越來越受到關注。如何選取神經網絡的輸入參數和設計高效的神經網絡對結構損傷進行識別，至今還沒有確定的標準，是一個值得研究的課題。本文提出將上述的兩種損傷識別指標分別作為神經網絡的

4、輸入向量，與兩種改進算法的BP網絡(自適應調整學習率的動量算法和共軛梯度BP算法)以及徑向基函數(RBF)網絡識別結構的損傷位置和程度。通過算例仿真，驗證了在考慮單損傷的情形下，用這兩種損傷識別指標得到的樣本數據來訓練不同的神經網絡模型的損傷識別方法是可行的。研究表明，改進算法的BP網絡和RBF網絡均可對結構損傷的位置和程度進行正確的識別。就網絡的性能而言，BP網絡中的共軛梯度算法比自適應調整學習率的動量算法的收斂速度要快，因而可達到更