基于粒子滤波的结构损伤识别与传感器故障诊断

摘要

基于参数识别的结构损伤识别技术一直是结构健康监测领域广泛研究和重点关注的内容之一，但这些方法往往默认监测数据是可靠的，即传感器是健康的。相比于土木结构长达百年的寿命周期，传感器的使用寿命仅数年或十来年，所以在土木结构的工作期间，传感器将不可避免地出现故障。忽略故障传感器的影响，基于健康传感器的假设对结构损伤进行识别，或忽略结构损伤的影响，基于健康结构的假设对传感器故障进行诊断，都可能会导致漏判或误判。因此，同时进行结构损伤识别与传感器故障诊断对于保证结构健康监测系统的可靠性与准确性至关重要。　　基于此，本文以传统的结构参数识别模型为基础，提出了两种新的参数识别模型，开展了基于参数识别思想的结构损伤识别与传感器故障诊断研究。考虑土木结构中存在的非线性，将处理非线性非高斯问题性能较好的粒子滤波算法作为参数识别工具。本文主要研究工作与取得成果如下：　　(1)针对传统的结构参数识别(Structural Parameter Identification,SPI)模型难以应用于传感器故障诊断的情况，基于传感器故障的数学模型中的传感器参数，将结构参数与传感器参数同时加入至状态向量，提出了结构与传感器识别((Structure and Sensor Identification,SSI)模型。在已知外部作用或荷载的情况下，开展基于SSI模型的结构损伤识别与传感器故障诊断研究。利用粒子滤波算法得到参数识别的结果和x-bar控制图完成识别和诊断。双层框架地震作用数值模拟算例和三层框架敲击实验算例均表明此模型仅通过参数识别这一简单的步骤，可以识别结构损伤、诊断传感器故障(增益、偏差、漂移、精度下降)和解决同时出现结构损伤、传感器故障的情况。　　(2)考虑到某些情况难以准确测量外部荷载，难以通过 SSI 模型这一非线性较强的模型得到准确的结果。仅将传感器参数加入至原有的状态向量，提出传感器故障识别(Sensor Fault Identification,SFI)模型。利用结构自由振动的加速度响应，开展了基于SPI模型和SFI模型的结构损伤识别与传感器故障诊断研究。首先，运用SPI模型判断是否出现异常状况，再通过SFI模型判断该异常是结构损伤或传感器故障和评估传感器健康状态。双层框架自由振动数值模拟和三层框架自由振动实验均表明了此方法可以准确识别结构损伤、判断定位传感器故障(增益、偏差)。

目录

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 传感器故障类型

1.2.2 传感器故障诊断

1.2.3 非线性参数识别

1.3 本文主要研究内容

2 粒子滤波概念

2.1 基本数学工具

2.2 状态空间模型

2.3 贝叶斯滤波

2.4 蒙特卡洛法

2.5 重要性采样

2.6 序贯重要性采样(SIS)滤波

2.7 重采样算法

2.8 序贯重要性重采样(SIR)滤波

3 基于SSI模型的结构损伤识别与传感器故障诊断

3.1 引言

3.2 参数识别模型

3.2.1 结构参数识别(SPI)模型

3.2.2 结构与传感器识别(SSI)模型

3.3 故障诊断思路

3.3.1 假设及解决的问题

3.3.2 故障诊断流程

3.4 双层框架地震作用数值模拟

3.4.1 数据生成

3.4.2 状态空间方程及参数

3.4.3模拟结果

3.5.1 三层框架基本情况

3.5.2 基准工况和待测工况

3.5.3 状态空间方程及参数

3.5.4 实验结果

3.6 本章小结

4 基于SPI和SFI模型的结构损伤识别与传感器故障诊断

4.1 引言

4.2 传感器故障识别(SFI)模型

4.3 故障诊断思路

4.3.1 假设及解决的问题

4.3.2 故障诊断流程

4.4 双层框架自由振动数值模拟

4.4.1数据生成

4.4.2 状态空间方程及参数

4.4.3 模拟结果

4.5 三层框架自由振动实验

4.5.1 三层框架基本情况

4.5.2 基准工况和待测工况

4.5.3 状态空间方程及参数

4.5.4 实验结果

4.6 本章小结

5 结论与展望

5.1 结论

5.2 展望

参考文献

附录

A. 作者在攻读学位期间的成果目录

B. 作者在攻读硕士学位期间参与的基金项目

C. 学位论文数据集

致谢