基于外包椭球扩展集员滤波的结构损伤识别算法及实验研究

发布时间：2020-08-22 16:32

【摘要】：工程结构在长期服役过程中,不利环境、超载、腐蚀或其他意外等因素均可能导致结构的损伤。为避免损伤积累导致重大安全事故,需要对结构进行健康监测和安全评估。因此,作为健康监测系统的核心技术,开展结构损伤识别方法的研究对保障结构安全运行具有重大意义。目前,基于结构的时程响应,利用卡尔曼滤波类方法进行结构损伤参数的最优估计是一种常用的损伤识别方法,可以得到最小方差意义下的损伤最优估计(或次优估计)。但是,卡尔曼滤波类方法一般假设噪声为满足某一定概率分布的随机噪声(如高斯噪声)。当实际观测的噪声不能严格满足假设的概率分布,或者缺乏足够的信息来确定概率分布时,损伤识别效果会显著降低。因此,具有未知但是有界的非概率噪声模型(UBB噪声)更适合于实际工程应用。对于UBB噪声,外包椭球扩展集员滤波(EEOB-SMF)是一种有效区间型状态估计算法;本文通过对外包椭球扩展集员滤波算法的扩展和改进,对结构损伤识别问题进行了研究,具体研究内容如下:(1)将结构状态和损伤参数共同作为系统状态向量,利用集员思想,将过程噪声和测量扰动等不确定性因素处理为UBB噪声,并将非线性函数线性化误差归并入过程噪声椭球,提出了扩展的EEOB-SMF损伤识别算法。通过数值仿真算例和实验研究实现结构的损伤识别。进而通过多自由度剪切模型和梁式结构的强迫振动信号反演,重点分析了在不同工况下EEOB-SMF损伤识别算法效果以及不确定程度对算法的影响;通过具有空间特性的板梁桥自由振动信号反演,重点探究了空间分区以及测点分布对识别效果的影响;最后,利用不同自由度、不同损伤位置与程度的框架结构实验,进行了扩展EEOB-SMF算法的实验验证研究。实验结果表明了算法在不同的损伤工况下都能准确的估计结构运动状态,且能准确指示结构损伤位置与损伤程度。(2)利用扩展集员滤波算法进行损伤识别时,通常预先假设包含线性化误差的噪声椭球。当噪声椭球的不确定性范围设定不准确时,算法的稳定性和识别精度会受到影响。为了解决非线性系统损伤识别过程中的线性化误差定界问题,针对UBB噪声,本文提出改进的外包椭球扩展集员滤波损伤识别算法。首先,将单元刚度折减因子引入系统的状态向量中,与模态坐标及其时间导数组成系统的扩展状态向量,将各种不确定性因素处理为UBB噪声;其次通过引入响应面方程,将结构模态参数关于损伤参数的方程显式化,同时采用非梯度的最优化方法自动估计线性化误差界限;最终通过集员滤波的时间更新和观测更新过程,实现结构损伤参数可行集的估计。弹簧质点模型和简支梁模型的算例分析表明在未降低算法稳定性的同时,所提出的识别算法能获得线性化误差的紧致边界,从而有效提高了算法的自适性,更利于实际应用。
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU317
【图文】：

振型图,振型,板梁桥,损伤识别

（a）第 1 阶（竖向弯曲）（b）第 2 阶（扭转）图 3.17 振型图3.2.3.1 不同工况下的损伤识别首先，需要对板梁桥进行分区，并安放测点。在 3.2.2 节时将简支梁进行单

示意图,测点,示意图,工况

而空间结构则从横向和轴向进行划分。如图3.18 所示，将桥梁划分为 10 个分区，每个区长 4m，宽 2m，向每个分区布置两个测点，共 20 个测点，获得它们的前三阶竖向模态信息。同时设置了两种不同的损伤工况，单损工况和多损工况，如表 3.6。图 3.18 分区和测点示意图表 3.6 损伤工况- 单损伤工况一多损伤工况二损伤单元

示意图,测点,示意图,损伤位置

图 3.26 测点安放示意图以多损工况为例，图 3.27 表示了添加 1%均匀噪声的 100 次的识别结果。从中可以看出识别结果较为稳定，均可以指示损伤的程度。在有损单元最大的误不会超过 22%。图 3.28 表示了 100 次均值的识别结果。可以从图中看出，在种分区情况下，EEOB-SMF 依然可以指明损伤单元的损伤位置和确定损伤程

【相似文献】