第一个书签之前
摘要
第一章 绪论
1.1 损伤识别的研究背景与意义
1.2 国内外研究现状
1.3 结构损伤识别方法
1.3.1 基于固有频率的损伤识别方法
1.3.2 基于模态振型变化的损伤识别方法
1.3.2.1 模态置信因子
1.3.2.2 坐标模态置信因子
1.3.2.3 振型变化图形法
1.3.3 基于曲率模态的损伤识别方法
1.3.4 基于柔度矩阵的损伤识别方法
1.3.5 基于人工神经网络的损伤识别方法
1.4 数据融合的研究背景与意义
1.5 多传感器数据融合技术
1.5.1 数据融合的定义
1.5.2 常用的数据融合方法
1.5.3.1 像素级融合
1.5.3.2 特征级融合
1.5.3.3 决策级融合
1.5.4 三个融合层次的优缺点对比
1.6 结构损伤识别与多传感器数据融合技术相结合
1.7 本文主要研究内容
第二章 基础理论
2.1 基于加速度响应的二次协方差矩阵
2.1.1 加速度响应的协方差矩阵
2.1.2 加速度响应的二次协方差矩阵
2.1.3 实验加速度响应的二次协方差矩阵
2.1.4 加速度响应的二次协方差矩阵的损伤识别原理
2.2 应变响应的协方差参数
2.2.1 应变响应的协方差参数原理
2.2.2 实验应变响应的协方差参数
2.2.3 应变响应协方差参数的损伤识别原理
2.3 贝叶斯估计理论
2.3.1 贝叶斯估计理论基本原理
2.3.2 应用于数据融合的贝叶斯估计理论
2.3.3 贝叶斯估计的优缺点
2.3.4 简单算例
第三章 数值模拟
3.1 损伤识别准则
3.1.1 CoC方法以及CoS方法的概率转化以及阀值的选取
3.1.2 贝叶斯估计理论先验概率的选取
3.1.3 贝叶斯估计理论阀值的选取
3.2 简支梁模型及数值模拟
3.2.1 三角脉冲激励，单个损伤，不同损伤程度
3.2.1.1 第6单元损伤10%，噪声15%
3.2.1.2 第6单元损伤20%，噪声15%
3.2.1.3 第6单元损伤30%，噪声15%
3.2.1.4 小结
3.2.2 随机激励，单个损伤，不同损伤程度
3.2.2.1 第6单元损伤10%，噪声15%
3.2.2.2 第6单元损伤20%，噪声15%
3.2.2.3 第6单元损伤30%，噪声15%
3.2.2.4 小结
3.2.3 三角脉冲激励，不同损伤单元数量，单元损伤30%
3.2.3.1 第6、10单元损伤30%，噪声15%
3.2.3.2 第6、10、20单元损伤30%，噪声15%
3.2.3.3 小结
3.2.4 随机激励，不同损伤单元数量，单元损伤30%
3.2.4.1 第6、10单元损伤30%，噪声15%
3.2.4.2 第6、10、20单元损伤30%，噪声15%
3.2.4.3 小结
3.2.5 三角脉冲激励，不同损伤单元不同损伤程度
3.2.5.1 单元6损伤30%，单元10损伤10%，单元20损伤20%
3.2.5.2 单元6损伤10%，单元10损伤30%，单元20损伤20%
3.2.5.3 小结
3.2.6 随机激励，不同损伤单元不同损伤程度
3.2.6.1 单元6损伤30%，单元10损伤10%，单元20损伤20%
3.2.6.2 单元6损伤10%，单元10损伤30%，单元20损伤20%
3.2.6.3 小结
3.3 七层框架模型及其数值模拟
3.3.1 三角脉冲激励，单个损伤，不同损伤程度
3.3.1.1 第8单元损伤10%，噪声15%
3.3.1.2 第8单元损伤20%，噪声15%
3.3.1.3 第8单元损伤30%，噪声15%
3.3.1.4 小结
3.3.2 随机激励，单个损伤，不同损伤程度
3.3.2.1 第8单元损伤10%，噪声15%
3.3.2.2 第8单元损伤20%，噪声15%
3.3.2.3 第8单元损伤30%，噪声15%
3.3.2.4 小结
3.3.3 三角脉冲激励，不同损伤单元数量，损伤30%
3.3.3.1 第8、12单元损伤30%，噪声15%
3.3.3.2 小结
3.3.4 随机，不同损伤单元数量，损伤30%
3.3.4.1 第8、12单元损伤30%，噪声15%
3.3.4.2 小结
3.3.5 三角脉冲激励，不同损伤单元不同损伤程度
3.3.5.1 单元8损伤30%，单元12损伤10%
3.3.5.2 单元8损伤10%，单元12损伤30%
3.3.5.3 小结
3.3.6 随机激励，不同损伤单元不同损伤程度
3.3.6.1 单元8损伤30%，单元12损伤10%
3.3.6.2 单元8损伤10%，单元12损伤30%
3.3.6.3 小结
3.4 本章小结
第四章 总结与展望
4.1总结
4.2 展望
参考文献
致谢
