结构损伤识别中混合软计算方法的研究

摘要

近年来,结构损伤诊断在工程领域迅速发展,但许多损伤诊断方法面对大型结构时却遇到了许多困难,损伤识别方法尚有许多方面需要深入探讨。针对大型复杂结构的部分构件不易被检测的缺陷,现阶段利用软计算方法对结构损伤进行识别有了新的认识。软计算方法已成功应用于电力负荷预测、图像识别、数据挖掘中,但在结构损伤识别领域的应用尚不多见。软计算通过对不确定、不精确及不完全真值的容错以取得的优化解决方案。软计算方法主要包括模糊逻辑、粗糙集理论、人工神经网路与遗传算法等。粗糙集理论能有效分析和处理不精确、不一致、不完整等各种不完备数据,但没有模式识别、实时计算等能力;人工神经网络具有良好的非线性映射能力、实时计算能力和很强的容错性,但训练样本过大会导致训练时间的大大增加。因此,本文创新性地提出一种基于粗糙集理论与人工神经网络相结合的混合软计算方法,利用粗糙集理论进行数据预处理,通过使用粗糙集进行属性约简与基于信息熵的离散化处理,与人工神经网络相结合的方式进行结构损伤检测识别,提高人工神经网络收敛速度,提高损伤识别效率。本文的主要研究内容与成果有:
　　本文针对十四跨简支钢桁架建立了有限元分析模型,分析该结构在无损工况与有损工况下的模态参数,提取每种损伤工况的结构动力指纹。
　　在实验室实测结构模型在未损伤与损伤工况下的结构响应,分析结构振动特性,提取结构的模态参数,通过差分法计算得到模态曲率,曲率模态是一项对结构损伤识别灵敏的动力指纹,以损伤前后模态曲率差值为损伤定位参数。通过与有限元模拟所得到的数据进行对比,证实了有限元模拟的准确性。
　　应用粗糙集理论知识发现方法,将决策表属性的归纳算法与基于信息熵的离散化方法用matlab编写出来,成功对模拟得到的损伤数据库进行属性约简与离散化,得到了较好的效果,条件属性大大减少,得到了不同组合下的最小属性集,规则提取也更加方便快捷。
　　以模拟损伤数据库为样本对人工神经网络进行训练,并对实际结构损伤进行识别,结果显示经粗糙集处理后的人工神经网络识别效果良好、训练时间缩短、效率提高,验证了本文提出的混合软计算方法的有效性。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 国内外研究现状与发展趋势

1.3 本文主要研究内容和创新点

第2章 有限元模拟与损伤数据库的建立

2.1 引言

2.2 试验模型介绍

2.3 有限元模型的建立

2.4 模拟损伤结构的信息提取

2.5 本章小结

第3章 真实结构模型模态试验研究

3.1 引言

3.2 试验方案设计

3.3 试验模型模态参数的识别

3.4 试验结构与有限元模型的对比分析

3.5 本章小结

第4章 粗糙集理论对结构损伤数据库的约简方法

4.1 引言

4.2 粗糙集理论的基本概念和定义

4.3 结构模型损伤数据库的属性约简

4.4 基于粗糙集理论对损伤数据库的离散化方法

4.5 本章小结

第5章 人工神经网络对结构损伤的识别

5.1 引言

5.2 人工神经网络的选取

5.3 以结构损伤数据库为样本的训练

5.4 利用神经网络对结构实测损伤的识别

5.5 噪声对神经网络识别效果的影响

5.6 本章小结

结论

参考文献

附录

声明

致谢