基于遗传神经网络的高层框架结构损伤识别的研究

论文摘要

工程结构随着使用时间的延长,不可避免地发生老化,自然灾害的频繁发生也对其造成不同程度的损伤。结构损伤的检测及修复对于减少生命财产损失具有重要的作用。同时,尽早发现结构损伤,可以大大降低维修、维护的费用。因此,对工程结构的损伤识别、定位具有十分重要的意义。结构损伤检测技术已被广泛应用于航天、土木、机械和核工业中,是一门建立在损伤机理、传感器技术、信号分析技术、计算机技术及人工智能技术之上的多学科综合性技术。相对于传统的结构损伤检测方法,本论文主要对基于遗传神经网络的结构损伤检测技术理论与应用进行研究。本文通过理论分析了适合结构损伤位置和损伤程度识别的组合参数法(此组合参数是由固有频率的变化信息和少数选定点的模态分量合成的向量),在此理论的基础上,分别对一个框架结构和一个悬臂梁结构进行了损伤数值模拟,同时采取合适的方法构造改进型BP—GA神经网络的输入参数,应用训练后的神经网络对结构进行损伤检测。本论文的主要工作有下面几个内容:首先,通过对神经网络的工作原理进行分析,得出在理论上它能够对结构的损伤进行识别。利用模态参数进行结构破损诊断是国内外研究的热点和难点。本文提出了基于改进型BP神经网络进行结构破损诊断的方法。BP网络由于具有强大的映射能力、容错性和鲁棒性等优点,非常适合解决破损诊断这类问题。但随着研究的深入,BP网络在应用中遇到了两个主要问题:(1)难以确定网络结构和初始值;(2)易陷入局部最小解。针对BP网络的不足,本文提出了一种基于遗传算法GA—BP网络的混合技术进行结构破损诊断的方法。该方法采用实数编码的遗传算法优化BP网络的结构及初始参数,从而提高了网络的精度。对比遗传BP网络与普通BP网络对三个仿真算例的识别结果,遗传BP网络的稳定性更好,精度更高,对噪声有很强的鲁棒性,是一种准确有效的结构破损诊断方法。

论文目录

• 摘要
• Abstract
• 引言
• 1 绪论
• 1.1 概述
• 1.2 现有的损伤诊断技术
• 1.2.1 结构损伤检测的内容
• 1.2.2 结构损伤检测方法分类
• 1.3 基于神经网络的结构破损诊断的研究现状
• 1.3.1 结构破损诊断的定义
• 2 神经网络的基本理论及模型
• 2.1 人工神经网络简介
• 2.2 人工神经网络的发展史
• 2.3 人工神经网络模型
• 2.3.1 人脑神经系统
• 2.3.2 人工神经元的数学模型
• 2.3.3 人工神经网络的构成
• 2.3.4 人工神经网络的类型
• 2.4 BP神经网络
• 2.4.1 BP算法简介
• 2.4.2 典型BP网络的学习原理及训练过程
• 2.4.3 BP网络的学习训练流程
• 2.4.4 BP网络的优缺点
• 2.5 其他神经网络模型简介
• 2.6 神经网络与其他理论方法的结合
• 2.6.1 神经网络与演化计算
• 2.6.2 专家系统与神经网络
• 2.6.3 神经网络与模糊理论
• 2.7 本章小结
• 3 BP神经网络优化设计
• 3.1 引言
• 3.2 通常的改进措施
• 3.2.1 附加动量法
• 3.2.2 学习率自适应法
• 3.2.3 Levenburg-Marquardt算法
• 3.2.4 优化网络结构
• 3.2.5 优化初始值
• 3.3 基于遗传算法的BP网络优化设计
• 3.3.1 遗传算法简介
• 3.3.2 遗传算法的基本原理
• 3.3.3 遗传算法的工作流程
• 3.4 本章小结
• 4 基于遗传神经网络的结构破损诊断
• 4.1 引言
• 4.2 基本原理
• 4.3 工作流程
• 4.4 破损指标的选择
• 4.4.1 定位指标
• 4.4.2 程度指标
• 4.5 数值仿真
• 4.5.1 悬臂梁模型
• 4.5.2 刚架模型
• 4.5.3 UBC Benchmark模型
• 4.6 本章小结
• 5 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢