考虑传感器性能退化的结构损伤检测

论文摘要

结构健康监测主要通过检测结构的响应及变化来进行健康状态的评价,目前结构损伤检测方法仅考虑环境、荷载对损伤的影响,而没有考虑传感器由于长时间工作与环境的变化导致其性能退化,这严重地影响了损伤诊断率,也增加了检测的难度。因此,在实测的响应中考虑环境、传感器性能退化引起的结构响应变化并从中区分出来,以提高损伤检测精度。针对上述问题,本文展开了系列研究并取得了以下成果及结论：(1)研究提出了传感器性能退化及结构损伤在传感器性能退化检测控制图中的反应模式。通过对传感器异常检测及性能退化分离算法开发,验证结构损伤及传感器性能退化均会引起其响应异常。基于结构损伤对结构响应影响具有全局性,而传感器自身性能退化对结构响应影响具有局部性,可根据隔离传感器前后控制图模式的改变与否判别异常来源,即控制图模式发生变化说明异常来源于传感器性能退化,若控制图模式不发生变化,则异常来源于结构损伤。而且,经结合数值试验与实验室模型试验研究发现,由传感器性能退化引起的控制图模式为非平稳模式,由结构损伤引起的控制图模式为平稳模式。(2)提出改进的传感器异常检测及性能退化分离算法。改进的传感器性能退化检测控制图指标对于传感器性能退化较为敏感,对结构损伤较不敏感,即传感器性能退化会引起控制图中控制指标超限,而结构损伤则不会。由此,可根据改进的传感器性能退检测控制图中控制指标是否超限判断传感器异常来源。该算法简化了传感器异常来源判断方法及步骤,而且具有较强说服力。(3)提出了一种新型的损伤检测策略：基于模态参数与MCPSO(多粒子群协同优化算法)的两阶段损伤检测方法。首先基于模态应变能对损伤位置进行初步定位,经验证损伤定位有效、可行,而且为第二阶段损伤程度优化奠定良好基础；其次,利用阈值过滤一些损伤较小单元(视为无损伤单元),对初步判定损伤的单元进行编码,利用MCPSO通过粒子寻优及反复迭代精确定位单元并识别其损伤程度,经验证损伤识别精度较高且效率高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的目的及意义
• 1.2 传感器故障诊断研究现状
• 1.2.1 硬件冗余法
• 1.2.2 解析冗余法
• 1.2.3 人工神经网络法
• 1.2.4 基于知识的方法
• 1.2.5 基于信号的方法
• 1.3 考虑传感器性能退化的损伤识别研究现状
• 1.3.1 损伤识别研究现状
• 1.3.2 考虑传感器性能退化的损伤检测
• 1.4 本文主要研究内容
• 1.4.1 当前存在问题
• 1.4.2 主要研究内容
• 第二章 传感器异常检测及分离方法研究
• 2.1 传感器异常检测
• 2.1.1 最小均方差估计（MMSE）
• 2.1.2 广义极似然比检验（GLRT）
• 2.2 异常来源判断
• 2.2.1 主成分分析
• 2.2.2 统计过程控制
• 2.2.3 性能退化传感器分离与结构损伤定位
• 2.3 算法流程
• 2.4 数值验证
• 2.4.1 结构模型
• 2.4.2 模态分析
• 2.4.3 动力响应分析
• 2.4.4 传感器异常检测及来源判断
• 2.5 试验验证
• 2.5.1 结构模型
• 2.5.2 动力模态试验
• 2.5.3 传感器异常检测及来源判断
• 2.6 本章小结
• 第三章 基于改进传感器异常检测及分离方法研究
• 3.1 改进异常来源判断
• 3.1.1 改进思路
• 3.1.2 改进原理
• 3.2 改进异常来源判断算法的性能
• 3.2.1 改进控制指标可行性分析
• 3.2.2 改进算法灵敏度
• 3.3 数值算例验证
• 3.3.1 工况一传感器异常检测
• 3.3.2 工况二传感器异常检测
• 3.3.3 工况三传感器异常检测
• 3.4 试验验证
• 3.4.1 工况一传感器异常检测
• 3.4.2 工况二传感器异常检测
• 3.4.3 工况三传感器异常检测
• 3.5 本章小结
• 第四章 基于模态参数及MCPSO的两阶段结构损伤检测
• 4.1 损伤定位
• 4.1.1 刚度矩阵建立
• 4.1.2 基于MSECR初步定位损伤
• 4.2 损伤精确定位和损伤程度预测
• 4.2.1 PSO算法
• 4.2.2 MCPSO
• 4.2.3 MCPSO算法流程
• 4.2.4 精确损伤检测
• 4.3 数值算例验证
• 4.3.1 结构模型
• 4.3.2 结构损伤识别
• 4.4 本章小结
• 结论与展望
• 参考文献
• 致谢
• 个人简历
• 作者在攻读硕士学位期间发表的学术论文及成果