基于盲源分离的大跨度桥梁多源激励振动原型监测数据分析

摘要

抖振是大跨度桥梁的风致振动形式之一，虽然抖振引起的桥梁振动响应相对较小，但发生频度高，因此密切影响着桥梁的疲劳性能和行车安全性。
　　结构健康监测系统利用加速度传感器测量桥梁的振动响应，传感器接收到的振动信号成分复杂，受多种荷载影响，其中风荷载和车辆荷载起到主要控制作用。为了单纯研究风振响应，需要消除或削弱车辆荷载的干扰。为此，本文采用机器学习方法，开展结构健康监测振动信号中风致振动与车致振动的分离研究。
　　主要研究内容包括：
　　研究基于独立成分分析（Independent Component Analysis,ICA）的桥梁风致振动、车致振动的信号分离方法。首先介绍盲源分离算法中的ICA算法原理；然后分析桥梁振动信号特点，利用带通滤波器组对单通道信号进行滤波，得到频率独立的伪多通道信号，进而采用ICA进行盲源分离，并利用NCut聚类算法对相似的独立成分进行聚类，得到风致振动子空间与车致振动子空间，重构出两条振动信号。
　　提出基于深度神经网络（Deep Neural Network,DNN）的分离信号评价方法。首先介绍自编码算法原理与深度神经网络算法原理；然后针对桥梁振动信号特点构建栈式自编码深度神经网络，并采用苏通长江公路大桥监测数据进行训练，研究基于样本分类的分离效果评价标准。
　　最后融合独立成分分析和深度神经网络，构建单通道桥梁振动信号的分离及效果评价算法流程，并以苏通长江公路大桥结构健康监测系统数据为例，进行桥梁风致振动与车致振动的分离，验证分离算法的有效性。

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本文的研究方法及内容

第2章 基于独立成分分析的桥梁风致/车致振动信号分离方法

2.1独立成分分析的数学原理

2.2独立成分分析对于桥梁振动信号的适用性

2.3独立子空间分析的基本思想

2.4桥梁振动信号的盲源分离算法流程设计

2.5本章小结

第3章 基于深度神经网络的风致/车致振动识别与评价方法

3.1神经网络模型的基本思想

3.2分类模型的数学原理

3.3深度神经网络模型的构建原理

3.4适用于风/车振动识别的深度神经网络构建

3.5本章小结

第4章 苏通大桥振动响应全过程分析与算法验证

4.1苏通大桥概况

4.2算法流程全过程分析与评价

4.3本章小结

结论

参考文献

声明

致谢