基于数据融合的结构损伤识别

论文摘要

结构服役期间由于受到使用荷载和各种突发性因素的共同影响，从开始就面临着一个结构损伤的问题。随着结构使用年限的增加，损伤不断积累发展，当损伤累积到一定程度会造成结构抗力的衰减，降低结构的安全性、适用性和耐久性，极端情况下还会导致整个结构的破坏。所有这些都迫切要求采取科学的技术手段及方法对现役土木工程结构及基础设施进行健康监测，以便尽早发现损伤，及时采取有效地预防和修复措施。而损伤识别技术是其中最为关键性的环节，大力开展结构损伤识别技术的研究具有重要的理论价值和现实意义。在此背景下，本论文结合国内外在结构损伤识别领域的研究现状，围绕数据融合、小波分析和识别算法等问题进行了研究，主要工作包括以下几方面： （1）改进多传感器数据融合中的一致性算法。在对现有一致性算法用于多传感器数据融合研究的基础上，提出一种改进算法。该算法计算简单，能够克服现有一致性算法中两传感器在测量精度不同时置信距离不同的缺点，并对支持矩阵进行模糊化处理，避免了人为定义阈值带来的主观误差。数值计算表明此方法可获得较好的融合结果，并且能够有效地减小由于扰动因素造成地融合结果的误差。 （2）提出融合同质多传感器数据信息的结构损伤识别方法。从小波分析的Lipschitz指数出发，分析了白噪声和损伤信号的小波系数模极大值多分辨分析的特点，阐述了小波降噪和信号奇异性识别原理。以结构加速度响应信号作为研究对象，应用状态空间法建立了结构动力系统数学模型。通过对一个五层框架结构的数值计算表明：不同位置的传感器信号表征结构损伤特性的能力是不同的，每一传感器只能描述其附近区域结构的工作状态；距离损伤位置相同的两结构层传感器加速度响应信号进行对比，较低结构层响应信号对损伤的敏感性强于较高结构层。若加速度传感器数量有限，则应尽量布置在较低层更有效；基于数据融合和小波多分辨分析提出的同质多传感器数据融合的结构损伤识别方法，在部分传感器性能降低（如受到噪声污染），甚至是完全失效的情况下，仍然能够对结构损伤做出正确判断。 （3）基于小波包分解技术、“能量-损伤”特征提取和ART2强大的模式分类功能，提出一种结构多损伤识别方法。通过数值分析比较了结构在不同损伤工况下，各层加速度响应信号和融合后的加速度响应信号频带能量变化的分布，认为以融合计算后信号频带能量变化构造的特征向量对结构不同损伤工况更敏感。采用基于自适应共振理论的ART2神经网络作为模式识别工具，并利用改进的ART2算法将网络输入矢量范围拓展到整个平面。五层框架结构的数值计算表明，该方法能够用于结构多损伤识别，且具有较强的鲁棒性、稳定性和适应性。 （4）采用分步识别的思想，构建耦合神经网络的三级损伤识别模型。第一级识别是利用ART2神经网络确定有损伤的层，并采用主成分分析方法对网络高维输入变量降维，

论文目录

• 独创性说明
• 摘要
• Abstract
• 1 绪论
• 1.1 课题的研究意义
• 1.2 结构健康监测与损伤识别技术的发展
• 1.2.1 结构损伤检测的发展
• 1.2.2 结构健康监测的发展
• 1.2.3 结构损伤识别技术的发展
• 1.2.4 结构健康监测与损伤识别系统的构成
• 1.3 结构损伤识别基本原理与方法
• 1.3.1 基于结构动态特性的损伤识别
• 1.3.2 基于模型修正理论的结构损伤识别
• 1.3.3 基于人工神经网络的结构损伤识别
• 1.3.4 基于阻抗技术的结构损伤识别
• 1.4 本文主要研究内容
• 2 多传感器数据融合
• 2.1 多传感器数据融合概述
• 2.2 数据融合的基本原理
• 2.3 数据融合结构模型与融合层次
• 2.3.1 数据融合模型
• 2.3.2 数据融合层次
• 2.4 数据融合算法
• 2.5 一致性数据融合算法及改进
• 2.5.1 一致性数据融合算法
• 2.5.2 改进算法
• 2.6 数值算例
• 2.7 本章小结
• 3 结构损伤识别的多分辨分析
• 3.1 小波分析
• 3.1.1 小波分析的基本理论
• 3.1.2 小波变换原理
• 3.1.3 多分辨分析
• 3.2 小波分析在结构损伤识别中的应用
• 3.2.1 小波分析在信号奇异性检测中的应用
• 3.2.2 小波分析在信号降噪中的应用
• 3.3 结构损伤识别的动力模型
• 3.4 结构状态空间模型与损伤识别灵敏度分析
• 3.5 结构损伤的多分辨分析
• 3.5.1 数值算例描述
• 3.5.2 结构各层加速度响应与损伤敏感性分析
• 3.5.3 基于小波变换和数据融合的结构损伤识别
• 3.6 本章小结
• 4 基于自适应共振理论的结构多损伤模式识别
• 4.1 模式识别与神经网络
• 4.1.1 模式识别问题
• 4.1.2 人工神经网络
• 4.2 基于自适应共振理论的ART2神经网络
• 4.2.1 自适应共振理论与ART神经网络
• 4.2.2 ART2神经网络
• 4.3 结构损伤识别中的特征提取
• 4.3.1 小波包分析
• 4.3.2 “能量-损伤”特征提取与频带能量分析
• 4.4 基于数据融合和“能量-损伤”的ART2识别算法
• 4.4.1 特征向量的提取
• 4.4.2 利用ART2网络进行结构损伤识别
• 4.5 本章小结
• 5 损伤识别的耦合神经网络模型
• 5.1 分步识别理论与方法
• 5.2 GA-BP神经网络
• 5.2.1 遗传算法原理
• 5.2.2 BP神经网络与学习算法
• 5.2.3 GA-BP算法
• 5.3 数值算例
• 5.3.1 结构健康监测与损伤识别基准问题
• 5.3.2 主成分分析与特征提取
• 5.3.3 耦合神经网络的结构损伤识别
• 5.4 本章小结
• 6 结构损伤识别的试验研究
• 6.1 结构损伤识别的数据融合模型
• 6.2 结构损伤试验研究
• 6.2.1 试验模型
• 6.2.2 同质传感器的结构损伤试验研究
• 6.2.3 非同质传感器的结构损伤试验研究
• 6.3 本章小结
• 7 结论和展望
• 7.1 主要工作与结论
• 7.2 展望
• 参考文献
• 攻读博士学位期间发表学术论文情况
• 致谢
• 大连理工大学学位论文版权使用授权书