桥梁结构损伤识别的模式分类和聚类识别方法研究

摘要

桥梁这项建筑工程量大、造价高且在交通经济中重要，为确保其在运营期间符合生命安全标准，因此桥梁结构损伤的早期识别和评估是必要的。桥梁损伤位置和程度识别是这项研究的核心。当模态特征未知时，模式识别被广泛的用于此项研究，是一种用来帮助进行损伤识别的典型方法。模式识别方法是具备隐性识别相关和不相关变量的非线性关系的能力，具有自学习和容错能力。这些优势让它能够恰当的最小化在响应测度和有限元模型结构的负面影响。对于桥梁这样的大型结构，显然不能去了解每一个个体，也就是说每一个实测部位的状态，而是通过模式识别方法有效地实现对桥梁的损伤进行快速、精确和智能化识别，从而保障桥梁这样的重大工程结构的安全性、完整性、适用性与耐久性。目前还鲜有利用一系列模式识别算法进行系统的桥梁静力和动力损伤识别研究，因此全文作了该方面系统的研究工作如下：
　　1、用模式识别对桥梁进行损伤识别的前提是数据的真实性，但是这些数据是海量的，其有效性难以通过一些常规手段进行检验。传感器最优布置的建模方式和智能算法的选取是解决问题的关键，因此本论文中传感器的最优化布置问题将从这两个方面入手解决。一是建立了以模态振型为随机变量的传感器优化布置单目标和多目标整数规划期望值模型，二是利用DNA遗传算法求解此类问题的优点，并设计了求解算法，最后通过徐葛大桥为实例验证了算法的可行性和有效性。
　　2、利用SVM（支持向量机）这种模式识别方法做桥梁静力损伤识别，关键在于利用ANSYS进行数值模拟构造无损伤和损伤时的训练集与实际工程的相似性，以表现其抗干扰能力；用带有噪声的测试集去判定损伤位置和损伤程度的精确度以表现其对损伤的区分能力。针对这个问题，本论文一是详细给出了不同噪声情况和不同工况加载模式下的挠度响应的高精度模式识别结果，二是利用专业数据挖掘软件WEKA作对比分析，证明了本方法的有效性。正确进行桥梁静力损伤识别后，另一个问题是加载模式的识别。本论文将轮廓系数应用到桥梁静力加载模式的识别当中，结果表明有很好的识别效果，并且具有一定的实际应用价值。利用SVM（支持向量机）这种模式识别方法做大型桥梁频域损伤识别，关键在于损伤节点和单元的选择和计算识别的精度与抗噪性。针对这两个问题，本文首先根据前文传感器优化布置点作为损伤识别对象，然后利用SVM模式识别方法进行损伤位置和程度识别的精确识别和噪声检验，最后利用专业数据挖掘软件WEKA作对比分析，证明了本方法具有一定的合理性和优势。在讨论车过桥的时域损伤的模式识别时，首要问题是怎样采用ANSYS软件进行模拟计算，获取相应的损伤指标数据。基于能量比的时域指标可以根据测点采样间隔获取车从上桥到下桥的速度响应，以损伤前后的能量比作为该测点的损伤指标。由此本文提出利用能量比指标的SVM损伤识别方法。
　　3、采取分步识别的桥梁损伤识别的模式识别方法主要分为两个步骤：损伤位置识别和损伤程度识别，其根本分别就是分类和回归问题。本文提出以SOM神经网络做损伤位置识别聚类分析，RBF神经网络做损伤程度识别回归分析。损伤位置识别是损伤识别的关键一步，在无先验知识的情况下只能进行聚类识别。虽然存在许多的聚类方法，但是没有一个通用的万能的聚类方法，能够适用于所有的聚类问题，聚类集成算法因此被提出并证明能解决更多的问题。本文利用基于Co-occurrence相似度的聚类集成（CSCE）和基于矩阵变换的聚类集成方法去识别桁架架构和徐葛大桥的损伤位置，达到完全识别。本文最后还利用专业数据挖掘软件WEKA作对比分析，证明了本方法的有效性。基于粗糙集的聚类方法能结合集合方法和概率方法计算样本的相似度，具有很好的聚类效果。本文利用粗聚类方法去识别桥梁的损伤位置，达到良好的识别效果，并与模糊聚类（FCM）作了比较。根据该方法还能够得到样本的属性约简结果和约简规则，为进一步研究样本特征提供了参考数据。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1课题研究背景与意义

1.2本课题的历史与现状

1.3存在的问题、发展趋势和本文拟解决的关键问题

1.4本文主要研究内容和方法

第二章 基于DNA遗传算法的桥梁传感器优化布置

2.1 本章概述

2.2随机整数规划的期望值模型及其求解

2.3不完全模态信息的传感器优化布置

2.4.DNA遗传算法

2.5 随机模拟DNA遗传算法求解随机整数规划期望值模型

2.6 应用实例: 徐葛大桥多目标传感器优化布置

2.7 DNA遗传算法有效性检验

2.8本章小结

第三章 基于SVM模式识别方法的桥梁静力损伤识别

3.1本章概述

3.2建立静力损伤识别模型

3.3基于SVM模式识别方法的桥梁损伤识别

3.4 基于SVM静力损伤模式识别结果

3.5 基于概率轮廓系数的桥梁静力加载模式识别

3.6 本章小结

第四章 基于SVM模式识别方法的桥梁频域损伤识别

4.1本章概述

4.2 辨识结构损伤的结构动力参数

4.3基于SVM的桁架结构频域损伤模式识别

4.4基于SVM的徐葛大桥频域损伤模式识别

4.5 基于weka的频域损伤模式识别方法比较实验

4.6 本章小结

第五章 基于SVM模式识别方法的时域损伤识别

5.1本章概述

5.2桥梁损伤检测的动能能量比方法

5.3简支梁时域损伤识别模型

5.4基于SVM简支梁时域损伤模式识别结果

5.5徐葛大桥主梁时域损伤识别

5.6徐葛大桥拱塔时域损伤识别

5.7基于weka的时域损伤模式识别方法比较实验

5.8本章小结

第六章 基于神经网络的桥梁损伤模式识别

6.1本章概述

6.2基于SOM神经网络的损伤位置识别

6.3基于RBF神经网络的损伤程度识别

6.4 WEKA中SOM聚类

6.5 本章小结

第七章 基于聚类集成方法的桥梁频域损伤位置识别

7.1本章概述

7.2 损伤位置识别的聚类集成方法

7.3 基于聚类集成的损伤位置模式识别结果

7.4 weka损伤位置识别聚类模式识别方法比较

7.5本章小结

第八章 基于粗聚类模式识别的桥梁损伤位置识别

8.1本章概述

8.2损伤位置识别的粗糙聚类方法

8.3基于RCM桥梁损伤模式识别结果

8.4基于FCM的损伤模式识别

8.5 基于weka的K-means聚类

8.6本章小结

第九章 结论与展望

9.1结论

9.2主要创新点

9.3展望

参考文献

攻读博士学位期间发表的论文与参与的科研项目

附录A（ANSYS模型部分命令流）

附录B（部分数据）

附录C（部分MATLAB程序）

致谢