考试-组合结构专业课-健康检测_第1页
考试-组合结构专业课-健康检测_第2页
考试-组合结构专业课-健康检测_第3页
考试-组合结构专业课-健康检测_第4页
考试-组合结构专业课-健康检测_第5页
免费预览已结束,剩余24页可下载查看

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

考虑传感器故障的结构损伤一、选题依据(包括本课题国内外研究现状,研究的理论与实际意义,对科技、课题研究的目的与重大土木工程基础设施是确保国民经济稳定、可持续发展的物质基础,它们的健康状况和安全性评价更是人民生命和安全的重要保障,然而,实际中往往由于结构设计时考虑欠周全,设计标准偏低,且施工时受到材料、几何尺寸、环境等影响;营运过程中未采取科学、合理的养护措施,加之材料与结构的老化,所处环境的变化以及自然如、火灾或者人为破坏等,在这些因素的共同作用下,土木工程基础设施的使用受到了严峻的挑战[1]。与此同时,相应的土木工程事故也时有发生,如2001年1月7日,曾被十大标志性建筑,号称“亚洲第一拱”的长江上游宜宾市南门大桥17对承重钢缆吊杆中的四对突然断裂,导致大桥两端发生坍塌,造成3车坠江、1船被毁、2人、2人、多人受伤的悲剧,而该桥从建成通车至垮塌事故的发生还不到12年。长江大桥使用至今已有47年,先后被过往的船舶撞击73次,桥梁的安全性和剩余令人担忧。境内的黄石长江大桥199512月开通至今,使15,桥梁具有众多裂缝,已经有明显的不的安全问题令人担忧。西直门立交桥,使用不到19年,就已报废重建。一些混凝土桥使用不到10年,便因损害加剧而需进行加固处理甚至拆除重建[2]。这一系列惨痛的教训都向警告着结构健康检测的重要性和迫切性。近些年,国内外大力研究并发展以结构动力检测与无线检测为特征的现代质量检测与监测技术,开发了一些复杂结构健康监测系统。但是,现在结构健康检测主要用于一些大型和复杂的结构,由于结构质量、体积大,结构复杂,所以结构健康检测系统是由大量的布置于结构不同位置的不同类型的传感器组成。由于传感器的种类和数量都是很庞大的,这就使得传感器到的数据量随时间的增加而不断的增多,因此,大型结构健康检测系统的数据是海量的,另外,由于这些大型结构常常具有大量的冗余度,而对实际结构实测得到的数据也具有大量的测量误差和桥梁有限元模型的建模误差。而且,大型健康监测系统往往根据多传感器测量数据的变化,从而判断结构健康状态的变化,但是传感器测量数据的变化可能是由传感器故障、结构损伤、环境因为因素引起[3]。因此,如何有效地利用来自结构健康监测系统得到的带有冗余性、噪声和不定性的海量数据,对其进行特征提取,以得到结构损伤识别的特征参数,进而对结构的健康状况和工作状态进行评估是当前研究的热点和难点[4]。此外,结构的损伤检测问题在数学上常常转化为优化约束问题,而传统的优化方法对问(PSO在约束问题优化上具有收敛速度快的优点,但是在算法的后期阶段容易陷入局部最优,因此如何利用改进的PSO有效地融合多传感器测量结果,去除冗余信息,并且结合模态参数、物理参数,准确地识别损伤在结构健康监测领域具有重要的意义。结构损伤识别的研究损伤识别是土木工程健康监测系统的技术,虽是热点也是难点。结构的损伤识别通常是结合敏感度分析和优化算法以减少实测振动数据和分析数据之差为优化目标,从而进行结构损伤。损伤检测的方法按照所承受荷载的类型分可分为基于静力的检测方法和基于振动的检测方法;从损伤方法对结构是否产生损坏来分,可以分为有损检测和无损检测;从检测方法的智能化程度来分,分为传统损伤检测方法和基于计算智能损伤检测方法。传统的检测方法(如人工目测)和无损检测方法(如超声波、声发射、_射线等)均是对结构的局部损伤进行检测,难以评价结构整体性能[5]。静力检测方静力检测方法一般将结构试验的结果与初始模型分析结果进行综合比较,通过优化约束条件,不断地修正模型的某些参数,使测试值与分析值最大程度地吻合。根据修正后的模型与修正前模型的比较得到结构参数变化的信息,从而对结构健康状态进行评估。常用的静力参数有风度、位移、应变、残余力、弹性模量、单元面积及惯性矩等。静力检测方法的优点点在进的时候需人为的施荷载,现测试的工量较大并没有办法时监测、实时分析、实施评估[6]。目前存在的无损检测技术主要包括、染色法、发射光谱法、回弹法、声发射法渗透试验法、射、脉冲回波法、磁力子法、磁扰动法、涡流法等等[7]动力检测方由于振动数据容易测得,而且传感器能够布置在难以接近的位置,从而通过振动测得数据评价结构的整体性能,因此,基于振动损伤检测方法愈来愈受到众多学者的关注。结构的损伤识别的基本原理是根据结构振动的参数,如:质量、刚度、阻尼、自振频率、振型和阻抗等来判别是否损伤、损伤位置、损伤程度、结构的剩余。现有的很多损伤检测方据其变化可初步定位结构的损伤[8]。不可否认,单凭借固有频率的变化不能精确定位结构的损伤且无法评价损伤程度。随着损伤研究的不断拓展,振型、模态应变能、模态柔度矩阵等指标被广泛应用于结构的损伤检测中。其中,振型与固有频率结合比单用固有频率或者振型损伤识别更好[9]。基于模态应变能的损伤检测方法在多损伤条件下仍然有助于准确定位损伤,具有工程实际应用价值[10]。例如,等人利用模态柔度矩阵对角元素的相对变化率和曲率定位连续梁的损失,证明该方法在能够在观测噪声条件下较为准确的定位损伤[11]。尽管如今已经有很多基于振动响应和系统动力参数的损伤检测方法,但是结构损伤的复杂性以及影响因素的不确定性,这类方法的应用仍然存在。因此,基于多种学科的交叉,利用先进技术,如信号处理、模式识别、人工智能、控制理论等,方可能提高结构损伤检测的准确性[12],从结构的振动中提取数据并优化具有高灵敏度的损伤特征参数对于损伤检测准确性高具有重要意义可分为模型修和动力法。时域时域法即无需将到的信号在时域和频域间FT变换,保留实验测得的时间域内的原始数据,避免了因为T变换引起的截断误差和能量,因此时域法能够高精度地识别频率和阻尼比[13]。但是时域内的响应信号在其进行变换的过程中往往过滤掉许多有用原始信号特征,相反可能保留了无用的信号。频域频域法即把实验测得的相应数据进行FT变换,通过频率响应函数、功率谱、结合振型图分析得到结构的模态频率、振型和阻尼等参数。频率法得到频率响应频谱图直观、清晰,因此便于从中提取频率和振型,因此广泛应用于结构的损伤检测中,缺点是FT变换必然引起能量的,变换对信号的周期性假设可能导致信号失真[14]。模型修模型修主要是基于实验测得振动响应数据分析出的模态参数、加速度记录、频响函数等与有限元模型的计算结果的比较不断地修正有限元模型。通过修正前与修正后模型的比度足测量噪比因修正的型不一解决方有:是少限元模型的度数,如通过缩聚法或者利用边界条件进行子结构模型修正,也可将不完备实测模态振型扩展至与有限元模型相同的度;二是通过良态建模、合理划分子结构和最动力的常用的动力有:频率、振型、模态应变、功率谱、MA(模态保证标准)、MA(坐标模态保证标准)等。5)其他无损检测方法除了以上介绍的基于振动的损伤检测法,还有多种无损检测方法,如、光谱(OpticalRadiography、超声波法、法、激光全息检测法、涡流法(EddyCurrent、微统计分析技一般土木工程结构都具有体型大、所处环境及运营条件复杂多变的特点,存在人工激励难以实现和自然激励难以测量的问题,这就使得传统的基于实验模态的损伤检测方法难以应用,而利用结构响应的损伤检测方法被众多学者认为是一类具有前景的损伤检测方法[15]。这一方法是基于时间序列分析的方法,但是往往测量得到的结构动力响应数据不仅,而且样本数量巨大,所以利用多种统计分析技术对动力响应数据进行降维、特征提取,从而评判结构的健康状态具有重要意义。最小均方差估计 最小均方差估计即使得均方差最小,MM[16]独立性的假设更加准确。在大型的多传感器结构健康监测系统中,同样需要对传感器是否发生进行假设和验证,因为失效或者发生故障的传感器同样会引起监测系统测量结果的变化,但是不能因此认为结构存在损伤。而且,环境因素(温度、湿度、风载等)或者人为因素(交通、传感器位置等)的变化都可能引起系统的改变,而且其改变量往往等同于结构损伤引起的改变量,所以往往被当成是结构损伤引起的变化[3]。因此,如何从系统的测量结果中分离出结构真正损伤引起的变化,从而利用其进行损伤检测,提高损伤检测的可靠性和精度尤为重要Jrkiuaa[3]利用分布建立传感器网络,基于最小均方差估计(MSE网络中每一个传感器信号用其他传感器对其进行估计,形成各传感器的条件概率分布,从而用传感器是否发生故障的可能性比测试(LT)对于传感器发生故障的可能性进行评估和定位,再移除发生故障的传感器。该方法具有一定的优越性:1)程序简单;2)分离结构损伤和传感器故障产生的系统变化;3)损伤和传感器故障定位简单。因此,将MSE应用在多传感器信号的估计上对于检测传感器的异常或故障不仅简单、无偏,精确定位。主成分分析(CA[]是一种通过构造一组新的变量来原始数据空间的统计方法,然后从新的数据空间提取统计特征来表征原始数据特性。通过数据空间的投影转换,消除变PA从可观测的显式变量中提取信息,组成不可直接观测的隐含变量。其基本思想是通过使方差最大,尽可能多地保留原变量所包含的信息,同时又用尽可能少的变量替代原有变量,从而使问题变得简单。CA主要是基于正交变换的思想,保留有贡献显著的特征向量,每一个特征向量对应一个方差,而这个方差由对应的特征值表示。若一个特征向量所对应的特征值在数据集中代表一个显著的方差值,则称该特征向量为这个数据集的一个主成分。在土木工程结构的健康监测系统中,往往需要大量的传感器分布在结构各个位置以测量结构的健康状态变化所引起的系统变化,其数据往往是复杂、,所以有必要对测量结果进行降维,并且从中提取有效特征参数作为评估结构健康状况的特征参数。例如,x()(1,…,m;1,…,)代表测得的结构动力响应,m指测量位置,l指测量样本。所以在j时刻的测量结果为 已经通过减去ui(tj)(i=1,…,m;j=1,…,l)所得矩阵的平均向量标准化后的结果,从而得到tj时刻测量结果的协方差矩阵Ω 其中,λi为协方差矩阵Ω的特征值为特征向量。当所对应的特征值代表了较大的方差时,那么该即是提取得到的主成分。通过主成分分析对结果进行降维,即由m维向量将为d维向量。其中,d是指前d个主成分自回归模型AR模型[19]即自回归模型,它是一种线性方法。当已知前n个点,可由模型推出第点前面或后面的数据,性质类似于插值,为增加有效数据,其模型如下代表在第j点结果,为自回归系数,为服从均值为0,方差为σ 的分布。从该模型可以看出未知参数有和,而根据公式[18]即只要知道了即可在结构损伤检测中,损伤并不是肉眼可观察,而需要从基于振动测量得到的结构动力响应中提取对于结构损伤敏感的参数,从而判断结构是否损伤。ByHoonSon19]等人基于PCA(AR作为损(SPC统计过程控制(SPC(μ,σ23σ(μ-3σμ+3σ中的概率为99.73%,即超出正负3σ围发生概率仅为0.27,即为小概率事件,也是不可能发生的件。因此,采用控制图对结构的健康状态进行判断的方法如下:根据所提取的结构特征参数在控制图上打点中,若连续100个点中有3个或多于3个点超出控制界限,其概率0.27%,即小概率,实际上不可能发生既然发生,那么可以认定为结构发生损伤;若连续100 个点中,超出控制界的点数不多于2个,判断结构未发生损伤。FugateM20]等人将控制图用于大型结构的损伤识别,并取得良好的效果。其中是将控制图与时序分析结合起来,即以时序模型参数来构建控制图的样本统计量。其基本原理:所提取的特征参数包含了系统的固有特性且为服从正态分布,若是结构发生损伤,其总体平均值会会发生显著性变化。因此,采用均值控制图对结构进行健康监测。JyrkiKula[]同样根据AR模型的系数绘制控制图,用于判断传感器在测量结构动力响应时是否发生故障。其中,若移除假设故障的传感器,控制图的模式不发生变化,那必在该传感器附近发生损伤;若是控制图模式发生变化,则说明该传感器发生故障,同时存在结构发生损伤和其他传感器发生故障的可能,需要循环估计。其主要流程如下:错误警错误警

测量数据的检 感器网是检检否模式改变是传感器故损4新奇环3多重故 错1.2.3智能信息处理技智能信息处理就是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变[]。1)神经网络神经网络是由许多神经元按照不同的连接方式构成的复杂网络,每一个神经元都是一个与其相连的所有神经元输出的累积,总和与神经元的阈值进行比较,若大于阈值人工神经元则被激活。当该神经元被激活时,信号被传送到与其相连的更高一级神经元[1。运用它自身所具有的自适应、习、联想、及模式匹配的能力,通过训练获得健康结构和损伤结构所具有的知识与信息,并将之起来,然后将此信息与实测数据进行模式匹配与近数据融数据融合技术是一种近20到广泛应用。数据融合又称作多传感器数据融合或者信息融合,即去除冗余信息,融合多个数据源产生的数据,充分利用不同空间和时间到的信息,基于一定的准则利用计算机技术对信息进行自动分析和综合,推导出较为准确的信息,避免单个或者少量传感器的局限性,得到对被对象的一致性的解释或者描述,同时体现多传感器系统的效用性。在实际的工程检测中,由于受到精度、可靠度、噪声、认为等因素的干扰使得传感器测量的数据具有不确定性,即运用一定的方法和准则综合处理多传感器的信息和数据,从而得出比单一传感器测量更为可靠的数据和结论。数据融合主要是对各传感器的可靠度进行判别和评估各传感器之间的相互关系。多个传感器的数据融合避免了单个传感器的局限性,充分利用多个传感器的有效信息,在部分传感器性能降低或者失效的情况仍然能够识别出结构的损伤,而且多传感器数据融合包含结构不同位置的不同信息,能够全面描述结构的当前工作状态,较有可能正确地对结构损伤做出判断[22]。[23]。数据级融合是最低的一级,匹配的原始数据经过简单处理就汇总、直接进行融合,然后对融合的数据进行特征提取和状态说明,最后进行识别。该级融合的优点是最大地保留了原始数据的特性,但其实时性和性较差。特征级融合是数据融合的中级水平,将每个传感器的观测数据进它的决策结果可为决策级融合提供特息,对通信带宽的要求较低,但由于数据丢失使其准确性有所下降。决策级融合是最高的融合级别。每个传感器各自完成数据预处理、特征提取、识别或,建立对所监测目标的初步结论,而后通过决策级融合,获得联合推断结果。决策级融合的优点是能有效地反映环境或目标各个侧面的不同类型的信息,和基于数据融合技术的结果健康监测方法有系统、人工神经网络、系统与神经网络(PNN)的推理与能力,运用多传感器的融合原理,有机地结合神经网络和数据融合,并将之应用于多层框架结构的损伤检测,结果表明,该损伤检测方法充分利用多传感器数用于伤识合技决法ayes方法、D.S理论和模糊集法等。数据融合除了对多传感器的测量数据进行融合,还可用于多种损伤指标的融合。等人[27]aes和D-S论数据融合技术对柔度和模态应变能损伤指标进行融合,柔度法和模态应变能的相似之处即通过建立损伤指标与结构某一方向外观尺寸的函数,观察损伤指标随结构外观尺寸的变化规律,其突变点即位结构损伤发生位置。结果表明,该融合方法较为精确地定位损伤程度和量化损伤程度,并且利用损伤指标评价方法证实该方法的有效性。但是,ays方DS上进行组合,但是它兼具指数信息复杂度和指数时间复杂度,计算比较复杂。而粒子群优化算法(PO)是一种良好的寻优函数极值的演化进化方法,其运行简单、收敛速度快。为提高融合的精度且降低其复杂性,nus..Huan[28]SOPO对具有一定的函数关系模糊知识规则集和模糊知识进行编码,第二阶段基PSO在模糊知识集、有效性,而且有利于做出决策。[29]等人基于传统的粒子群优化算法[37],针对其收敛精度,即用该算法估计多传感因子。结果表明,改进PO能近似最优地估计各传感器的因子使得在地,有效地提取多传感器中有用的信息排除噪声干扰,数据融合可以成功避免噪声干扰取得较高的收敛精度和融合效果。分形理分形理论的本意是不规则的、破碎的、分数的,可以传统的几何所不能描述的一大类无规则的几何对象,它通过分形维数在状态空间中定量描述、刻画非线性系统行为的复杂性,从而度量信号的不规则度。分形理论的研究与发展揭示了非线性系统中有序与无的,性与随的人们提全新的与理以前许多难题[]。而土木工程中所遇到的许多问题、难题也恰恰都是非线性的以及复杂的,因此近几年有部分学者尝试将分形理论应用于土木工程材料、岩土工程、工程、故障以及结构损伤检测等领域[-。粗糙集(Roughset粗糙集理论是由波兰学者Z.aak于1982年一种新的分析数据的数学理论。粗集理论是一种新的处理不确定性信息的数学方法,它能有效地分析和处理不精确、不完整、不一致等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。近些年来,该理论已经在信息处理、自动控制、故障、模式识别、机器学习、决策分析等领域产生了令人关注的应用。粗糙集与其他不确定信息理论相融合,如粗糙集与模糊理论、DS理论、概率统计融合,粗糙集与神经网络、遗传算法融合,粗糙集与图象处理融合等。姜绍飞[7,34]在研究了NN有机地结合在一实际的工程当中,到的往往都是连续的数据,因,在运用糙集进行性约减前,需要对数据进行离散化的处理,因此,离散化处理便成为了一个关键的问题,目前比较经典、快速的算法是K均值聚类方法,但是由于其算法当中初始值选取的随机性,导致运算的结果易陷入局部极值。遗传算遗传算法(GA)是一种基于自然选择和遗传生物学系统的自适应优化搜索最优的方法,于1975由密密执安大学的Holland教授提出。它于对生物系统的计算机模拟,基于“适者生存”规律,通过一系列迭代和计算搜索到适应度最优的,即寻找能够代表最优解的。与传统的优化算法相比,遗传算法搜索范围较广,容易实现,不需要梯,[35]利用遗传算法基于频响函数进行损伤识别研究,研究结果表明在一定的噪声水平条件下,仍然能够准确识别结构多处损伤。,[36]利用多父体变量级杂交和多的情况下最优化识别损伤。HongHao[9]等人利用频率和振型模态参数,采用遗传算法对悬臂梁和框架的进行损伤,证明即使分析模型确也能识别出损伤单元位置。以粒子群优化算粒子群优化算法[37]由Kennedy和Eberhart于1995年基于对鸟群群集和鱼群簇拥行为的模拟提出,后来演变为一般的启发式探索技术。每个粒子用一个D维的搜索空间代表,即(pi1,pi2,...,piDVi=(vi1,vi2,...,viD。每个粒子调整自身策略飞向自身搜索到的最优位置pbesti和全局最优位置gbesti,通过最优位置和全局最优位置最优解的不断 vk+1=vk+crpbestxkc =xk k =x

r1和r2(01c1和c2优位置加速度系数,分别指示着的“认知能力”和群体的“社会引导”能力,即探c1=c2=20c1和c2149445算法收敛,但处理多峰值问题,如土木工程检测中的多损伤问题,容易陷入局部最优。相比遗传算法(GA),它没有变异(uain)和交叉(rossovr)等操作,而且各粒子能够 最优和全局最优信息,信息单向流动,所以算法较为简单,容易实现且收敛速度较快。所以,目前粒子群优化算法已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他GA的应用领域。但是,通过公式分析可发现,粒子群在达局部最优位置附近时,粒子的飞行速度主要由惯性权重和当前速度决定,w通常小于1,甚至停滞不前,即所有的粒子都会趋向于粒子搜索到适应度最优点,若该点是一个局部极那么将会陷入局部最优,即“早熟”现象,也就是SO只能搜索到适应度最优点,而不能搜索到全局最优点。但是SO算法在搜索后期阶段,粒子的局部搜索能力较弱,易陷入局部最对SO算法存在的不足,众多学者对其进行改进,主要是为增进种群中粒子的多样性,保持全局搜索能力和局部探索能力的平衡,从而提高收敛性能和精度。主要的改进方式通常有两种[38]:1 利用其他技术调整惯性权重值、加速度系数等参2 6.1)参数设置的改1998年Shi[39]等人首次为PSO的速度更新公式引入惯性权重w,并为其提出一个随着迭 搜索空间。惯性权重w小,收敛速度快且搜索能力强但探索能力弱,容易陷入局部最优,反之则是以收敛性能为代价增加解多样性,而线性递减的惯性权重w使得搜索由大范围搜索逐步转化为小范围搜索,最终收敛到局部最优位置。总之,w值的大小关系到全局的收敛能力和局部探索能力的平衡,而且算法的执行能力很大程度上依赖于惯性权重的选取。为避免早熟现象,韩江洪[40]等人根据粒子自身的适应度值与平均适应度值、适应度值优于平均适应度值的粒子的适应度平均值的比较改进惯性权重,保持惯性权重多样性,在全局收敛性和收敛速度之间做一个很好折中。但是其中对适应度小于平均值的粒子的惯性权重的改变却要依赖于新参数k1和k2的选取以及粒子的分散度。线性递减惯性权重w的应用使得粒子群优化算法在一定程度上避免早熟,但是当其用于处理复杂、的非线性问题时,易于陷入局部最优且收敛慢。针对带惯性权重PO由于种群多样性的丧失导致早问题,且为增进算法的动态适应性,uaia[41]等人基于当前全局的收敛程度非线性调整惯性权重,经三个基准函数的验证非线性惯性权重粒子群算法(DWO)优于线性惯性权重粒子群算法(DWO[4245]等人于2009至2010沌进适应度值低于平均值的粒子的惯性权重和速度矢量,用动态非线性函数调整适应度值高于平均值的粒子的惯性权重和速度矢量,利用了混沌逃离局部最优的特性和PSO计算速度快的优点,该算法拓展了改进PSO算法在关于的适应度函数优化问题上的应用。在土木工程检测中,如基于模态参数的损伤检测,往往需要多阶模态损伤识别,由此可见利用混沌改进PSO算法惯性权重不仅一定程度上避免了PSO早熟缺陷,而且拓展了算法在土木工程检测中的应用范围。以上对PSO惯性权重的改进,一定程度上算法的收敛性能,使得问题的优化保持探索能力和搜索能力的平衡。在实际工程中,健康检测的问题往往转化为约束问题优化进行求解。[46]等人对PO进行改进,增大算法后期粒子位置的该变量,增进粒子位置的差异性,从而改善了约束问题优化时陷入局部最优的现象,证明其改进算法优于带惯性权重的粒子群优化算法,并且用该算法优化关于损伤检测的目标函数,识别出结构的损伤,最终说明改进的PO算法在健康检测的领域应用是可行的。6.2)其他PSO算法改PSO算法因种群多样性的丧失导致早熟和陷入局部的主要缺陷,众多学者将其与其他的理论结合做了一系列的改进。Yi-TungKao[47]等人提出了遗传算法和PSO算法结合的A-SONNGA再将完成GA操作的2N2NPSO2N过程中粒子没有功能,所以丧失历史信息。相反 算法具有保留最优和全最优信息的功能,收敛速度快。该算法综合利用这两种算法的优点,避免了适应度较好的粒子因O算法收敛速度快过早收敛到局部最优的缺陷,但是遗传算法的计算较为复杂,运行此外,有学者将其他学科的理论引入到传统的PO算法中并提出改进算法,如混沌粒子群优化算法(CO)。混沌是广泛存在于自然界的一种非线性现象,混沌运动貌似随机,却隐含着精致的内在结构,具有遍历性、随机性和对初始条件的敏感等特性,能在一定的范围内按其自身规律不重复地遍历所有的状态[48]使逃离局部最优,在一定程度上避免早熟。而构造混沌的首要任务是构造一个混沌,目前典型的混沌有三种oisic、Lrnz系统和He [49]。giic混沌在粒子群优化算法中应用较为普遍,高鹰[50]等把混沌引入到PO算法中,提出混沌粒子群优化算用Loiic产生混沌序列,沌序列中的最优粒子随机替代当前种群中一个粒子,克服了PO算法后期搜索速度慢的缺点,加快了收敛速度,提高优化的精度。但是其产生的混沌序列不够均匀,影响到算法的性能[51]。而以上文献3538中就是利用混沌改进惯性权重增进的种群的多样性,使得粒子逃离局的SO,进SO对损伤检测问题进行优化具有一定的意义。为改善SO[52]Junangi和iXao提出多种群多最优值的粒子群优化算法(SO)[53]。该算法按照各子种群的gest和best到全局最优。结果证明,该算法很大程度上克服SO早熟和陷入局部最优,但是该算法并未体现各个子种群之间相互交换信息,一定程度上影响到种群的多样性。由于种群的多样性不足,未能在算法的探索能力和搜索能力保持一定的平衡,所以,基于多种群的粒子群优化算法在解决、复杂问题时还是不能避免陷入局部最优。但是,在实际的工程结构伤在提高其收敛速度的同时改进它的效用。于是,JiuzhongZhang和XuemingDing[54]提出基于4个子种的多种群自适应的协同粒子群算法(MSCPSO。其中多子种群共享搜索到的全局历该算法的新颖之处在于增进子种群之间的相互交流,充分拓展种群的搜索和探索能力。同样展O2010年..Go[55]等人提出一种基于竞争与协作协同进化粒子群算法( O。该算法相比CPO算法多了子粒子群之间通过操作竞争程序,而且该算法的机理包括竞争协同进化和合作协同进化,分别指子种群之间相互竞争与子种群之间相互交换信息。在协作进程中,通过结合各子种群的最优值以收集到问题的有效的解决方案,子种群每一个孤立的粒子通过与其他粒子的交叉增进自身的多样性;在为减少算法的计算时间和简单化运算过程,2011年S.M.eydpor56]提出基于模态应变能和粒子群优化算法分两阶段分别识别损伤的最终位置和确定损伤的程度,研究结果表明该方法可以准确识别多重结构的损伤。其中于第二阶段时,仅需要对第一阶段所识别出来的最终损伤位置进行编码,直接去除无损伤单元,加快第二阶段粒子群优化算法收敛到全局。时,以改的PSO,如多种群的协同PSO,同样利用基于模态指标两阶段识别结构的损伤。在实际工程的损伤识别时,往往需要把结构划分为成千上万个单元,所需编码单元数目较多,所以该方法具有一定实际应用意义。标和要重点解决的问题)研究的主要内基于统计分析技术的动力响应数据基于多传感器的分布,运用MMSE及LRT(可能性比测试)定位故障的传PCALRT基于AR基于多种群协同PSO的数据融合损基于多传感器的数据融合:表决法、Bayes方法、D- 基于PSO优化多传感器数据融合因子,从而进行数据融合基于多种群协同PSO的模态参数识基于多种群协同PSO的模态参数损伤识别研究—利用数据融合技术如Bayes方法、D-S理论、数据一致性融合等进行损伤识别模态参数的融合,使得基于模态参数的损伤识别研究较为准确;再利用协同PSO优化适应度函数,较为精确地损伤定位和损伤程度评估。研究目为解决因结构动力响应变化可能来源于传感器故障、结构损伤、环境变化、人为因素等多种因素而导致损伤检测的不可靠性问题,利用MM、C、AR模型、SC等统计分析技术对动力响应数据进行处理,分离且排除传感器故障、环境变化、人为因素引起的动力响应变化,提取到单纯由损伤引起的动力响应变化,从而提高损伤检测可靠性和精度。ayesD-S理论、模糊集法等方法对多传感器测量数据或者多种损伤指标进行融合,或利用协同PO优化多传感器的因子继而融合数据,然后基于融合后的数据进行损伤识别,并比较其各自对识别精度和识别效率的影响;结构的损伤必然会导致结构特征参数的改变,因此损伤可以归结为参数识别问题,即所谓的结构动力学逆问题,PO作为一种优化工具可以用来确定与实测数据最优匹配的参数(通常该参数是刚度)因此,本文运用改进PO即多种群协同PO来对结构进行损伤识别,并研究其识别性能及改进方法。拟解决的关键分离传感器故障、结构损伤、环境因为因素引起的结构动力响应数据的变化。首先利用分布构造传感器网络,利用ME定位可能发生故障的传感器,再运用CA对获得的传感器故障可能性比数据进行降维,然后以CA后获得的数据建立ARAR基于多种群协同PSO由于采用多传感器进行结构损伤测量,所以在进行损伤识别前需对多传感器测量数据进行融合,这里是利用多种群协同O进行优化各传感器的因子,继而融合数据。通常情况下,O算法收敛速度快,但在收敛后期容易陷入局部最优,所以这里采用改进多种群协同PSO,通过多种群之间的相互协作增加种群的多样性,使得算法收敛更准确基于模态多种损伤指标融合损伤检测研究。这里采用D-S理论对损伤指标频率、基于协同O的模态参数识别技术研究。基于频率、振型、柔度矩阵、模态应变能损伤指标往往不能精确识别结构的损伤,所以采用多种群协同PO仅对基于模态参数损伤识别出来的可能单元进行编码,建立关于损伤指标的适应度函数,优化目标函数,精确识别结构损伤。研究的基本思对大型复杂结构进行激励,通过传感器到结构的动力响应数据,利用统计分析技术对数据进行处理、特征提取;根据动力响应数据获得模态参数,然后利用数据融合方法和协同PO研究的开发方案和技术路基于统计分析技术的动力响利用统计分析技术提取单纯由结构损伤引起的动力响应变化。利用分布构造传感器网络,利用MSE、硬件冗余等对可能发生故障的传感器进行,并移除发生故障的传感器或者初步判断损伤的位置。基于多种群协PSO的数据融合损针对多传感器测量数据,通过建立关于实测值和期望值的适应度函数,采用协同PO优化优化目标函数,获得多传感器的因子,进而进行数据融合,根据融合结果进行损伤识别,并且比较采用多种群协同PO等改进的SO算法和PO基于多种群协PSO的模态参数识根据获得的结构模态参数,可采用数据融合方法融合损伤指标,使得基于模态参数的损伤识别较为准确,并且采用多种群协同PSO精确识别损伤。主要从以下几个方面研究:损伤指标、数据融合、PSO、多种群协同PSO。将基于数据融合的模态参数识别出来的可能单元交给多种群协同PSO现有的研究条件和研究基本课题以姜绍飞教授课题组的研究成果为基础展开研究。课题组已经在利用信号分析与处理、数据融合、遗传算法、O算法进行损伤识别方面进行了大量的研究,也取得了许多成果。本课题主要在海量数据下进行数据融合处理、基于协同SO的模态参数损伤识别等方面展开研究。在本学期的工作当中,已经学会用一个桁架模型为数值算法,采用降低刚度的方法模拟损伤,在单损伤、多损伤模式下,提取结构的前4阶频率和前4阶模态,并在此基础上添加白噪声以模拟测量数据,噪声水平分别取为02、06、1%、12利用模态应变能初步定位损伤,再利用协同PO精确定位损伤。在单损伤情况下,取得了令人满意的识别精度,识别效率。但是,在多损伤模式下,在无噪声和02%06%噪声情况下,损伤识别较为精确,在这一方面可结合混沌和其他改进方案进行研究。四、本课题的特色与创新之基于统计分析技术的动力响应数据处理,分离传感器故障、结构损伤、环境因素、人为因素引起的动力响应变化。可提取特征参数、绘制结构健康状态下的控制图,从而结构后期健康状态;提取到真正由损伤引起的动力响应变化,从而进行基于改进多种群协同SO的模态参数损伤检测。基于多种群协同O优化多传感器的因子,从而进行数据融合,改善融合效果,使得融合结果与期望值最为接近,利用融合结果进行损伤识别,进一步提高了基于多传感器数据的损伤识别精度。基于多种群协同PSO的模态参数损伤识别研究,从而获得更加理想的损伤识别效五、参考姜绍飞,.结构健康监测与智能信息处理技术及应用[M].:中国建筑工业,,梁宗保.实时监测桥梁理论及应用[M].:科学,JyrkiKullaa.Distinguishingbetweensensorfault,structuraldamage,andenvironmentaloroperationaleffectsinstructuralhealthmonitoring[J].MechanicalSystemsandSignalProcessing,2011,25,2976–2989.姜绍飞,.基于粗集与概率神经网络的数据融合损伤识别方法[D].沈阳:沈阳建筑大学宗周红,新,阮毅等.土木工程结构损伤研究进展[J].土木工报,2003,36(5):105-,苏木标,等.大跨度铁路桥梁健康状态评估的统计对比方法研究[J].铁道学报,姜绍飞,.基于粗集与概率神经网络的数据融合损伤识别方法[D].沈阳:沈阳建筑大学O.S.Salawu.Detectionofstructuraldamagethroughchangesinfrequency:areview[J].EngineeringHongHao,YongXia.Vibration-basedDamageDetectionofStructuresbyGeneticAlgorithm[J].JournalofComputinginCivilEngineering,2002,16(3):222-229.,.高精度模态应变能法结构损伤检测研究[J].铁道学报,2005,27(5):92-,缪升,.基于模态柔度法的连续梁结构损伤识别研究[J].公路工程,周奎 等.土木工程结构健康监测的研究进展综述[J].工业建筑 39(3):96-,,,宋汉文等.用时域峰值法计算频率和阻尼[J].振动与冲击,2001,20(3):5-,姜绍飞.基于神经网络的结构优化与损伤检测[M].:科学.2002.111-,余岭.基于时间序列分析与高阶统计矩的结构损伤检测[J].东南大学学报:自然科学版,2012,42(1):137-143..基于 估计的多传感器目标航迹融合[J].电光与控制,2002,9(2):30-Rong-rongJin,BinXu.StructuralDamageDetectionbasedonPrincipalComponent ysisandHo T2ControlChart[J].InternationalConferenceonCircuitandSignalProcessing,2010,257-262.,张,徐振,孙希宁,孙希宁,

.基 的AR模型参数估计[J].中国ByHoonSohn,JerryA.Czarnecki,CharlesR.Farrar.StructuralHealthMonitoringUsingStatisticalProcessControl[J].StructuralEngineering,2000,1356-1363.FugateML,SohnH,FarrarCR.Vibration-baseddamagedetectionusingstatisticalprocesscontrol[J].MechanicalSystemsandSignalProcessing,2001,15(4):707―721..智能信息处理方法导论[M].:机械工业,] ,等基合伤法J沈筑学然学)21,():0-0., 17-,姜绍飞 等.结构健康监测中的数据融合技术[J].沈阳建筑大学学报(自然科,版),2005,21(1)_18-姜绍飞,张帅.基于模糊神经网络的数据融合结构损伤识别方法[J].工程力学,2008,25(2):95-姜绍飞,,等基于WPN与数损法J沈筑(学)20,():8-9.,,缪长青等.基于数据融合的结构损伤识别方法研究[J].工程力学,2008,25(1)_16-,AngusF.M.Huang,StephenJ.H.,MinhongWang,JeffreyJ.P.Tsai.Improvingfuzzyknowledgeintegrationwithparticleswarmoptimization.ExpertSystemswithApplications[J].2010,37,8770–8783.,蒋鼎国,鹏等.基于粒子群算法的多传感器数据融合[J].化工学报,2008,59(7):1703-姜绍飞.结构健康监测-智能信息处理及应用[J].工程力学,2009,26(增刊Ⅱ):184-姜绍飞,.分形理论在土木工程领域中的应用[J].工程力学,2009,26(增刊I):148- .结构损伤的分形神经网络检测方法[J].振动、测试与,2005,25(4):260-.基于分形的结构损伤检测方法[J].振动与冲击,2005,24(2):87-JiangShao-Fei,ZhangChun-Ming,YaoJuan.Eigen-leveldatafusionmodelbyintegratingroughsetandprobabilisticneuralnetworkforstructuraldamageidentification[J].AdvancesinStructuralEngineering-AnInternationalJournal,2008.,.基于频响函数和遗传算法的结构损伤识别研究[J].振动与冲击,建,.基

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论