智能结构的损伤诊断及传感器优化配置研究

论文摘要

损伤自诊断功能是智能结构应用的一个非常重要的方向,它是智能结构研究的核心内容之一,而结构损伤诊断方法和传感器的优化配置是关联结构损伤自诊断功能的两个重要问题,这两个问题的研究,对智能结构自诊断功能的研究及其应用具有重要的理论意义和实用价值。论文围绕国家自然科学基金项目（90205031）“具有自诊断功能的智能夹层的研究”而进行,主要从事智能结构损伤自诊断方法及其传感器优化配置方面的研究,旨在为具有自诊断功能的光纤智能夹层的设计与实现提供理论指导。论文主要研究工作如下:（1）论文在对传统的基于频率的结构损伤识别机理进行阐述的基础上,理论推导了基于频率的改进损伤指标（包括改进的损伤定位指标与改进的损伤程度识别指标）,数值算例结果表明,改进的损伤指标比传统指标更适合用来作为结构的损伤敏感特征参数。（2）为消除损伤程度对应变模态差矢量的影响,论文对应变模态差矢量进行了标准化,建立了与损伤程度无关的标准化应变模态差指标,并给予了理论证明,且通过复合材料悬臂梁数值算例进行了验证。再者论文提出了一种结合改进的基于频率损伤定位指标与标准化应变模态差的“组合损伤指标”作为网络的输入特征参数进行结构的损伤位置识别。（3）论文考虑到避免复合因素的识别,简化损伤诊断问题复杂性,提出了一种基于模态分析与神经网络的智能结构多级损伤诊断策略,具体内容有基于径向基神经网络（RBFNN）的损伤报警、基于自适应概率神经网络的损伤定位、基于改进BP神经网络的结构损伤程度识别等三个方面,对它们的基本原理、技术的实现方法进行了研究,并以复合材料悬臂梁数值仿真试验与钢尺悬臂梁试验对该方法进行可行性研究,结果表明该智能结构多级损伤诊断方法能对结构损伤进行较为准确的识别。（4）论文提出了基于应变模态保证准则的应变传感器优化配置准则以及基于应变模态矩阵信息阵的2-范数初步拟定一小组传感器布位的方法,并对剩余传感器布位优化采用的改进遗传算法进行了研究。最后以一个复合材料四端简支板算例对上述方法可行性进行研究,结果表明,该方法能更加有效地配置应变传感器,为智能结构损伤诊断中的应变传感器位置优化配置提供理论指导。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 智能材料结构概述
• 1.1.1 智能材料结构概念
• 1.1.2 智能材料结构基本组成
• 1.2 智能结构的研究现状
• 1.3 智能结构的研究内容
• 1.4 关于FBG 智能复合材料结构
• 1.5 本文研究的目的
• 1.6 论文研究的主要内容
• 第二章 损伤诊断策略
• 2.1 引言
• 2.2 多级损伤诊断策略
• 2.3 神经网络技术
• 2.4 本章小结
• 第三章 损伤诊断中模态频率法与应变模态技术及其改进
• 3.1 引言
• 3.2 模态分析的基本理论
• 3.2.1 特征值问题
• 3.2.2 模态矢量的正交性
• 3.2.3 模态叠加原理
• 3.2.4 频响函数及其模态展开
• 3.3 基于模态频率的损伤诊断
• 3.3.1 传统损伤定位指标
• 3.3.1.1 问题的描述
• 3.3.1.2 模态参数摄动
• 3.3.1.3 损伤判据
• 3.3.2 改进的损伤指标
• 3.4 基于应变模态的损伤诊断
• 3.4.1 应变模态技术
• 3.4.2 应变模态的正交性
• 3.4.3 损伤定位判据
• 3.5 数值算例
• 3.5.1 两种损伤定位指标的比较
• 3.5.2 两种损伤程度识别指标的比较
• 3.5.3 应变模态差指标的比较
• 3.6 本章小结
• 第四章 基于神经网络的结构损伤诊断
• 4.1 引言
• 4.2 神经网络的介绍
• 4.2.1 神经网络的发展概况
• 4.2.2 人工神经元及其网络
• 4.2.2.1 人工神经元模型
• 4.2.2.2 人工神经网络的构成
• 4.2.2.3 人工神经网络的学习
• 4.3 基于神经网络的多级损伤诊断
• 4.3.1 损伤报警
• 4.3.1.1 问题的提出
• 4.3.1.2 结构损伤报警问题的RBFNN 模型及算法
• 4.3.1.3 报警指标
• 4.3.1.4 RBFNN 输入特征参数的选择
• 4.3.2 损伤定位
• 4.3.2.1 传统PNN
• 4.3.2.2 自适应 PNN
• 4.3.2.3 自适应 PNN 的损伤定位机理
• 4.3.2.4 网络输入特征参数选择
• 4.3.3 损伤程度识别
• 4.4 悬臂梁数值算例
• 4.4.1 损伤报警
• 4.4.1.1 损伤模式样本的产生
• 4.4.1.2 损伤报警结果
• 4.4.1.3 测量误差与模态灵敏度
• 4.4.2 损伤定位
• 4.4.2.1 损伤位置模式样本的产生
• 4.4.2.2 损伤定位的PNN 模型
• 4.4.2.3 损伤定位的识别结果
• 4.4.2.4 测量误差及模态灵敏度
• 4.4.3 损伤程度评估
• 4.4.3.1 损伤程度模式样本产生
• 4.4.3.2 损伤程度识别的改进 BP 网络模型
• 4.4.3.3 损伤程度识别的结果
• 4.5 本章小结
• 第五章 试验研究
• 5.1 引言
• 5.2 试验概况
• 5.3 网络识别结果
• 5.4 本章小结
• 第六章 应变传感器优化配置研究
• 6.1 引言
• 6.2 基于SMAC 的应变传感器优化配置准则
• 6.2.1 应变模态保证准则SMAC
• 6.2.1.1 模态保证准则MAC
• 6.2.1.2 SMAC
• 6.2.2 基于SMAC 的应变传感器优化配置准则
• 6.3 传感器位置的初步配置
• 6.4 应变传感器位置优化的遗传算法
• 6.4.1 遗传算法（Genetic Algorithm，GA）简介
• 6.4.1.1 遗传算法的基本思想
• 6.4.1.2 遗传算法的特点
• 6.4.1.3 遗传算法的实现
• 6.4.1.4 遗传算法的数学基础
• 6.4.2 应变传感器位置优化GA 法的实现
• 6.4.2.1 参数编码
• 6.4.2.2 交叉算子
• 6.4.2.3 变异算子
• 6.4.2.4 适应度函数的设定
• 6.5 算例
• 6.6 本章小结
• 第七章 全文总结与展望
• 7.1 总结
• 7.2 论文主要创新之处
• 7.3 展望
• 参考文献
• 致谢
• 作者攻读博士学位期间发表的论文