基于独立分量分析的结构损伤识别研究

论文摘要

建筑结构的损伤识别一直是人们广泛关注的问题。目前世界各国土木工程结构在服役过程中，不可避免地受到环境荷载、疲劳、腐蚀、老化等因素的影响，必然产生损伤累积，从而使这些建筑结构存在重大隐患。因此，对结构性能进行监测和识别，及时地发现结构的损伤，对可能出现的灾害提前预警，评估其安全性已经成为土木工程项目建设的必然要求，也是土木工程学科发展的一个重要领域。 对结构损伤进行识别可以看作是一个模式识别课题，即抽取结构物的特征信号，然后对其进行识别分类。本文从传感器获取的结构物信号入手，利用机器学习、数据挖掘和统计学习理论，建立基于独立分量分析的结构损伤识别构架，以实现对结构物是否损伤及损伤级别的准确判定。主要的研究工作如下： （1） 分析了主成分分析方法能去掉结构物信号间的相关性、过滤掉噪音对信号的影响，从而有效地对结构物的特征信号进行提取。提取的准确率依赖于累计贡献率的选取，所以要结合结构工程领域的特点，设置合适的累积贡献率。实验表明99％的主成分累计贡献率能很好地识别是否损伤以及损伤的级别。 （2） 利用独立分量分析对信号提取特征。由于独立分量分析保证了结构物信号的独立性，所以它比主成分分析的识别效果更准确。采用的Fast-ICA算法能有效地提取结构物特征，所提取的独立分量在识别过程中效果良好，并且性能稳定。 （3） 在分析BP网络的缺陷的基础上，将独立分量分析与人工神经网络结合起来，建立了基于ICA-ANN的结构损伤识别模型：通过ICA提取结构损伤信号，然后处理后的独立分量作为ANN的输入，对结构损伤进行识别。其中给出了详尽的方法来解决神经网络中的收敛速度慢、局部最小化、过度适合等问题。实验表明该模型能有效地对结构的损伤和程度进行识别，验证了方法的有效性。 （4） 因为支持向量机是以结构风险最小化为原则、建立在严格理论基础上、具有良好的控制推广能力的学习机器，所以建立的模型更可靠。本文将ICA和SVM结合起来，建立了基于ICA-SVM的结构损伤识别模型，通过ICA提取结构物的特征信号，然后将它作为SVM的输入，来对结构损伤进行识别。实验表明该方法能有效地对结构的损伤和程度进行识别，验证了方法的有效性。 （5） 把小波分析作为ICA-ANN或ICA-SVM的信号数据的预处理，能保持信号中的不同频率的特点，使得预测结果准确；尤其当处理多分辨率信号的时候，

论文目录

• 第1章 绪论
• 1.1 引言
• 1.1.1 问题陈述
• 1.1.2 早期研究
• 1.2 基于振动的结构损伤识别方法研究现状
• 1.2.1 基于模型的识别方法
• 1.2.2 无模型识别方法
• 1.2.3 损伤识别方法存在的问题
• 1.3 结构损伤的信号检测
• 1.4 智能方法的进展
• 1.4.1 数据挖掘方法
• 1.4.2 机器学习方法
• 1.5 本文研究工作的基本思路和主要内容
• 1.5.1 本文研究工作的基本思路
• 1.5.2 本文研究内容
• 第2章 基于独立分量分析ICA的结构损伤特征提取
• 2.1 主成分分析
• 2.1.1 主成分分量的几何描述
• 2.1.2 总体主成分
• 2.1.3 量纲对于主成分分析的影响及消除方法
• 2.1.4 结构数据的样本主成分分析
• 2.2 传感器数据的白化变换
• 2.3 传感器数据的独立分量分析
• 2.3.1 独立分量分析的假设
• 2.3.2 基本概念
• 2.3.3 独立性判据
• 2.3.4 ICA的几种定义
• 2.3.5 ICA算法
• 2.4 ICA与PCA的比较
• 2.5 本章小结
• 第3章 基于ICA神经网络的结构损伤识别方法研究
• 3.1 分类优化问题
• 3.2 神经网络建模
• 3.2.1 神经元的统一模型
• 3.2.2 BP神经网络
• 3.3 基于ICA-ANN的结构损伤识别
• 3.3.1 样本数据的处理
• 3.3.2 训练数据的处理
• 3.3.3 模型参数的选择
• 3.3.4 重组神经网络
• 3.4 基于ICA-ANN的结构损伤识示例
• 3.4.1 直接使用ANN进行识别
• 3.4.2 基于ICA-ANN的损伤数据孤立点测试
• 3.4.3 基于ICA-ANN的损伤识别
• 3.5 本章小结
• 第4章 基于ICA支持向量机的结构损伤识别方法研究
• 4.1 机器学习基本理论
• 4.1.1 机器学习问题的表示
• 4.1.2 经验风险最小化原则
• 4.1.3 复杂性和推广性能
• 4.2 统计学习理论
• 4.2.1 VC维
• 4.2.2 推广性的界
• 4.2.3 结构风险最小化
• 4.3 支持向量机
• 4.3.1 最优分类面
• 4.3.2 支持向量机判别函数
• 4.3.4 SVM的分解算法
• 4.3.5 核函数
• 4.4 基于ICA-SVM的结构损伤识别
• 4.4.1 基于ICA-SVM的结构损伤识别框架
• 4.4.2 核函数中参数的选择
• 4.4.3 识别实验
• 4.5 神经网络和支持向量机的比较
• 4.6 本章小结
• 第5章 在ICA-ANN结构损伤识别中的小波预处理
• 5.1 小波分析
• 5.1.1 连续小波函数
• 5.1.2 连续小波基函数
• 5.1.3 连续小波重构
• 5.2 多分辨率分析
• 5.3 基于小波预处理的ICA-ANN
• 5.4 本章小结
• 第6章 基于ICA的结构损伤识别实验研究
• 6.1 Benchmark结构实例
• 6.1.1 实验结构模型
• 6.1.2 结构特征信号的提取
• 6.1.3 两个损伤级别的识别
• 6.1.4 多种损伤的识别
• 6.1.5 基于敏感信息的传感器位置确定
• 6.1.6 基于ICA-SVM的损伤识别实验
• 6.1.7 基于二阶统计量的ICA-SVM
• 6.2 Bookshelf损伤的识别
• 6.2.1 数据描述
• 6.2.2 基于ICA-SVM的损伤识别
• 6.2.3 基于SOS-ICA的损伤识别
• 6.3 本章小结
• 第7章 结论与展望
• 7.1 主要研究工作与结论
• 7.2 展望
• 参考文献
• 博士生期间发表论文情况
• 附录
• 致谢