基于机器学习和模态参数识别理论的水工结构损伤诊断方法研究

论文摘要

基于结构模态参数识别理论的损伤诊断技术是现阶段水利水电工程研究中的热点问题之一。水工结构在实际运营中,由于设计、施工等先天缺陷或者使用载荷超出设计以及遭受强大的突加外在荷载(如地震作用等)的作用会使结构物出现不同程度的损伤,结构发生损伤以后将严重影响结构的承载力及耐久性,甚至会发生严重的工程事故,不仅造成重大的人员伤亡和经济损失,而且还会产生极坏的社会影响。因此,为了保证结构的安全性、完整性和耐久性,需采用有效的手段对结构的健康状态进行诊断。常规的一些结构损伤诊断方法,由于其本身的缺陷而不适用于水利水电工程。鉴于水工结构流激振动响应的获取较为容易,且不会对结构产生不良影响,利用结构在流激振动下的实测响应对结构进行模态参数识别,进而借助于机器学习理论强大的学习功能对结构的损伤进行诊断无疑是一种很好的方法。本文针对流激振动下基于机器学习和模态参数识别理论的水工结构损伤诊断方法进行了研究,主要得到以下创新性的研究成果:(1)提出了泄流振动下基于带通滤波的水工结构模态参数识别方法。即通过分析结构的特点和结构自振频率的范围,首先应用带通滤波的方法对信号进行预处理,提取出信号中感兴趣的部分,然后应用时域方法进行识别。工程实例表明:该种方法能够很好的对流激振动下水工结构的自振频率进行识别。(2)提出了水工结构模态参数的遗传识别方法。借助于遗传算法强大的全局寻优能力,将遗传算法应用到水工结构模态参数识别中来。由于该方法以结构的噪声为研究对象,所以其在提高结构自振频率识别精度的同时,在一定程度上也提高了阻尼比的识别精度。最后,通过工程实例表明了这种算法的有效性。(3)提出了基于机器学习理论和模态分析的水工结构损伤诊断方法。在结构模态参数识别的基础上,通过有限元计算各种损伤状态下的耦合动力特性,以构造支持向量机(SVM)学习的样本库,建立基于支持向量机(SVM)的结构损伤定位及损伤程度诊断方法。即通过支持向量机的二次优化问题求解,以保证小样本情况下机器学习得到的解是全局最优解,避免了人工神经网络等方法的网络结构难于确定、过学习、欠学习以及局部最小化等问题。以最小二乘线性系统作为损失函数,代替传统的支持向量机采用的二次规划方法。较成功地解决了泄流结构(特别是水下部位)损伤定位和损伤定量难的问题。(4)流激振动下基于水工结构模态参数识别的损伤诊断方法能够有效地节约资源,且识别结果可靠。本文首次提出将其应用到水利水电工程中来。以青铜峡坝体结构三大条贯穿性裂缝为研究对象,通过对现场采集信号的分析、模态参数识别和有限元计算,得出在裂缝深度为自基础向上22m左右,最后,就结构损伤发生后的安全性进行了分析。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 国内外研究现状概述
• 1.2.1 机器学习理论方法研究现状
• 1.2.2 模态参数识别方法研究现状
• 1.2.3 结构损伤诊断方法研究现状
• 1.3 本文的研究目的和意义
• 1.4 本文研究的主要内容及创新点
• 1.4.1 本文研究的主要内容
• 1.4.2 本文的创新点
• 第二章 振动信号预处理方法研究
• 2.1 引言
• 2.2 振动信号消噪方法研究
• 2.2.1 基于数字带通滤波的振动信号消噪方法
• 2.2.2 基于小波理论的振动信号消噪方法
• 2.2.3 基于卡尔曼滤波的振动信号消噪方法
• 2.3 多信号分类定阶方法研究
• 2.4 应用实例
• 2.5 本章小结
• 第三章 流激振动下水工结构模态参数识别方法研究
• 3.1 引言
• 3.2 基于带通滤波的水工结构模态参数识别方法
• 3.2.1 随机减量法
• 3.2.2 自然激励技术法
• 3.2.3 ITD 法
• 3.2.4 STD 法
• 3.2.5 复指数法
• 3.2.6 ARMA 模型时间序列法
• 3.3 基于信号分解技术的结构模态参数识别方法研究
• 3.3.1 基于小波分解的结构模态参数识别方法
• 3.3.2 基于EMD 分解的结构模态参数识别方法
• 3.3.3 基于Gabor 分解的结构模态参数识别方法
• 3.4 水工结构模态参数的遗传识别方法
• 3.4.1 动力学时域方法识别原理
• 3.4.2 流激振动下水工结构模态参数的遗传识别方法
• 3.4.3 遗传算法理论
• 3.5 模拟信号和悬臂梁试验模态参数识别实例
• 3.5.1 模拟信号识别
• 3.5.2 流激振动下的悬臂梁模型模态参数识别
• 3.6 水工结构模态参数识别工程实例
• 3.6.1 青铜峡坝体结构模态参数识别
• 3.6.2 李家峡水电站厂房结构模态参数识别
• 3.7 本章小结
• 第四章 流激振动下水工结构损伤诊断方法研究
• 4.1 引言
• 4.2 基于模态参数识别理论的结构损伤诊断方法
• 4.2.1 基于模态置信度的结构损伤诊断方法
• 4.2.2 基于柔度矩阵的结构损伤诊断方法
• 4.2.3 基于变形曲率的结构损伤诊断方法
• 4.2.4 基于刚度变化的结构损伤诊断方法
• 4.2.5 基于曲率模态分析的结构损伤诊断方法
• 4.2.6 基于应变模态的结构损伤诊断方法
• 4.3 基于机器学习理论的水工结构损伤诊断方法研究
• 4.3.1 机器学习的基本问题
• 4.3.2 统计学习理论的核心内容
• 4.3.3 神经网络与支持向量机
• 4.3.4 损伤标示量的确定
• 4.4 青铜峡水电站导墙结构损伤诊断
• 4.5 本章小结
• 第五章 青铜峡坝体结构损伤诊断与安全性研究
• 5.1 引言
• 5.2 青铜峡水利枢纽工程概况
• 5.3 青铜峡坝体结构损伤诊断
• 5.3.1 模拟范围及材料特性对结构自振特性的影响
• 5.3.2 青铜峡坝体结构损伤分析
• 5.3.3 自振特性分析
• 5.4 青铜峡坝体结构安全性评估
• 5.5 小结
• 第六章 结语与展望
• 6.1 结语
• 6.2 展望
• 参考文献
• 博士期间发表论文、参编著作及参加科研项目
• 致谢