基于PNN的数据融合损伤识别方法研究

摘要

重大工程结构不可避免的结构系统损伤积累和抗力衰减，在极端情况下可能引发灾难性的突发事故。为了能更好的维护、管理和使用它们，对其进行设计寿命期内的健康监测与诊断就显得至关重要。虽然已经有许多大型结构安装了结构健康监测系统，然而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，进而对结构的健康状况和工作状态进行评估显得尤为迫切和重要。概率神经网络将贝叶斯推理放入神经网络来完成相关推理，进而进行模式/损伤识别，它非常适合处理带噪声的不确定性测量数据；数据融合是一种智能数据处理方法，数据融合也称信息融合，它主要包括多传感器(信号获取)、数据预处理、数据融合中心和结果输出等环节，是通过数据组合而不是出现在输入数据中的任何个别元素，推导出更多的数据，得到更加协同作用的结果。数据融合是针对一个系统中使用多个和（或）多类传感器这一特定问题展开的一种新的数据处理方法。基于此，本文拟从结构损伤识别数据处理的角度出发，重点研究解决具有不确定性和测量噪声的数据融合损伤识别方法，提出了基于概率神经网络的加权平均数据融合损伤识别方法、基于概率神经网络和D-S证据理论数据融合损伤识别方法，并用框架结构验证了所提方法的可行性和有效性。主要研究工作如下：（1）对几种信号（数据）分析技术与损伤识别理论加以论述，对其优、缺点进行比较； （2）研究并提出了基于概率神经网络的加权平均数据融合损伤识别方法，并运用Benchmark基准模型和7自由度剪切建筑模型加以验证，取得了较好的效果； （3）重点研究了基于概率神经网络的D-S证据理论数据融合损伤识别方法，并用12层混凝土框架结构的损伤进行了验证，效果非常理想。

目录

文摘

英文文摘

声明

第一章 绪论

第二章 基本理论

第三章 基于概率神经网络的加权平均数据融合损伤识别方法

第四章 基于PNN的D-S证据理论数据融合损伤识别方法

第五章 结论与展望

参考文献

致谢

作者简介

攻读硕士学位期间发表的学术论文