版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、近二十年來(lái),隨著各種工程結(jié)構(gòu)的老化問題和維修成本的增加,使得結(jié)構(gòu)的損傷檢測(cè)和健康監(jiān)測(cè)方法獲得了快速的發(fā)展。許多結(jié)構(gòu)損傷識(shí)別方法是以結(jié)構(gòu)固有特性為依據(jù),利用結(jié)構(gòu)動(dòng)力響應(yīng)信息,通過尋求結(jié)構(gòu)損傷前后模態(tài)參數(shù)的變化來(lái)識(shí)別結(jié)構(gòu)損傷的發(fā)生、位置和程度。這些損傷識(shí)別方法對(duì)結(jié)構(gòu)損傷的識(shí)別具有一定的準(zhǔn)確性和有效性。但是損傷會(huì)引起結(jié)構(gòu)參數(shù)的變化,可能會(huì)導(dǎo)致?lián)p傷前后具有相同階數(shù)的模態(tài)并不是一一對(duì)應(yīng)的關(guān)系。理論上已經(jīng)證明損傷前后模態(tài)可能會(huì)發(fā)生躍遷的現(xiàn)象。
2、 本文提出一種新的損傷識(shí)別指標(biāo),即柔度對(duì)角曲率。它只需結(jié)構(gòu)損傷后的低階模態(tài)參數(shù),從而避免考慮模態(tài)躍遷和高階模態(tài)參數(shù)不易測(cè)量的因素而影響識(shí)別的準(zhǔn)確性。以懸臂梁結(jié)構(gòu)為研究對(duì)象,建立有限元模型,對(duì)結(jié)構(gòu)發(fā)生單損傷和多損傷的情況進(jìn)行損傷模擬,用柔度對(duì)角曲率和已有文獻(xiàn)中提及的柔度曲率這兩個(gè)損傷識(shí)別指標(biāo)分別對(duì)結(jié)構(gòu)的損傷進(jìn)行識(shí)別研究。結(jié)果表明這兩種損傷識(shí)別指標(biāo)均可對(duì)損傷的存在、位置和程度進(jìn)行識(shí)別,并對(duì)比分析了兩種損傷識(shí)別指標(biāo)對(duì)損傷的敏感度。
3、用模態(tài)參數(shù)構(gòu)造損傷識(shí)別指標(biāo)的損傷識(shí)別方法是結(jié)構(gòu)損傷診斷的一條途徑,但是只能對(duì)結(jié)構(gòu)損傷的位置和程度做出定性的評(píng)估。由于人工神經(jīng)網(wǎng)絡(luò)具有很好的自組織學(xué)習(xí)能力、模式識(shí)別能力以及容錯(cuò)能力,可以對(duì)結(jié)構(gòu)損傷的位置和程度做出定量的辨識(shí)。目前人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)損傷識(shí)別的研究已越來(lái)越受到關(guān)注。如何選取神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)和設(shè)計(jì)高效的神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)構(gòu)損傷進(jìn)行識(shí)別,至今還沒有確定的標(biāo)準(zhǔn),是一個(gè)值得研究的課題。本文提出將上述的兩種損傷識(shí)別指標(biāo)分別作為神經(jīng)網(wǎng)絡(luò)的
4、輸入向量,與兩種改進(jìn)算法的BP網(wǎng)絡(luò)(自適應(yīng)調(diào)整學(xué)習(xí)率的動(dòng)量算法和共軛梯度BP算法)以及徑向基函數(shù)(RBF)網(wǎng)絡(luò)識(shí)別結(jié)構(gòu)的損傷位置和程度。通過算例仿真,驗(yàn)證了在考慮單損傷的情形下,用這兩種損傷識(shí)別指標(biāo)得到的樣本數(shù)據(jù)來(lái)訓(xùn)練不同的神經(jīng)網(wǎng)絡(luò)模型的損傷識(shí)別方法是可行的。研究表明,改進(jìn)算法的BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)均可對(duì)結(jié)構(gòu)損傷的位置和程度進(jìn)行正確的識(shí)別。就網(wǎng)絡(luò)的性能而言,BP網(wǎng)絡(luò)中的共軛梯度算法比自適應(yīng)調(diào)整學(xué)習(xí)率的動(dòng)量算法的收斂速度要快,因而可達(dá)到更
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于廣義柔度矩陣和小波分析的結(jié)構(gòu)損傷識(shí)別方法.pdf
- 基于信息熵和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法研究.pdf
- 基于BP神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法研究.pdf
- 基于RBF神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法研究.pdf
- 基于模態(tài)分析理論和神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法研究.pdf
- 基于柔度矩陣的簡(jiǎn)支梁橋評(píng)定及損傷識(shí)別方法.pdf
- 基于小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷遠(yuǎn)程智能識(shí)別方法研究.pdf
- 基于小波神經(jīng)網(wǎng)絡(luò)的斜拉橋損傷識(shí)別方法研究.pdf
- 基于沖擊振動(dòng)的位移柔度和應(yīng)變?nèi)岫茸R(shí)別方法.pdf
- 基于神經(jīng)網(wǎng)絡(luò)和HMM的眉毛識(shí)別方法研究.pdf
- 基于模態(tài)參數(shù)小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法研究.pdf
- 小波和神經(jīng)網(wǎng)絡(luò)相結(jié)合的結(jié)構(gòu)損傷識(shí)別方法.pdf
- 基于模態(tài)分析理論和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法研究.pdf
- 基于AdaBoost和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法研究.pdf
- 基于特征融合和神經(jīng)網(wǎng)絡(luò)的掌紋識(shí)別方法研究.pdf
- 基于稀疏表達(dá)和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究.pdf
- 基于復(fù)合神經(jīng)網(wǎng)絡(luò)的掌紋識(shí)別方法的研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的語(yǔ)音識(shí)別方法研究.pdf
- 基于脈沖神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法研究.pdf
評(píng)論
0/150
提交評(píng)論