框架结构损伤识别的小波神经网络方法研究

发布时间：2018-11-17 19:05

【摘要】：结构在使用过程中受到外荷载作用和材料老化的影响,可造成结构的损伤累积和抗力衰减,甚至导致结构整体破坏,引起灾难性事故的发生。因此,研究结构损伤识别方法不仅具有较大的理论意义,而且具有重要的现实意义。小波分析方法能够很好的在时频两域表征信号的局部特征,而神经网络算法具有非线性映射、自我组织、并行处理等特点。根据结构损伤会改变结构的动力特性,通过损伤与结构动力参数之间的非线性关系可以识别结构的损伤,而应变参数对局部结构的细微损伤具有较高的敏感性,使其成为结构损伤诊断的理想指标参数。本文以框架结构为研究对象,以小波分析和神经网络理论为基础,结合二者的优点,运用小波分析来确定框架结构的损伤位置,利用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法。该方法既能有效识别框架的损伤位置又能识别框架结构的损伤程度。以简单框架为研究对象,采用本文所建立的小波神经网络方法,根据裂缝长度与截面高度的不同比值(d/h)来模拟损伤并建立有限元模型。通过建立基于振型模态和应变模态的损伤识别方法,分别对简单框架含有多处损伤的裂缝位置进行了识别,并对比了这两种模态下损伤位置的识别效果。然后分别对框架的振型模态和应变模态进行连续小波变换获得两种模态参数下的小波系数模极大值,利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这两种模态下损伤程度的识别效果。其数值分析表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,且基于应变模态的损伤识别方法具有更好的准确性。本文分别以含损伤的一层两跨、两层一跨和两层两跨的框架结构为研究对象,建立含两处损伤和多处损伤框架的有限元模型。在不同损伤工况下进行应变模态连续小波变换,通过小波系数图来识别损伤位置;然后利用应变模态小波系数模极大值为输出参数构造神经网络,由神经网络的输出结果来识别结构的损伤程度,验证了方法的有效性。本文所提出的方法可供结构损伤诊断的工程应用参考。
[Abstract]:The damage accumulation and resistance attenuation of the structure can be caused by the influence of the external load and the aging of materials during the use of the structure, and even the whole structure will be destroyed, which will lead to the occurrence of the catastrophic accident. Therefore, the study of structural damage identification method not only has great theoretical significance, but also has important practical significance. Wavelet analysis can well represent the local characteristics of signals in time-frequency domain, while the neural network algorithm has the characteristics of nonlinear mapping, self-organization, parallel processing and so on. According to the structural damage will change the dynamic characteristics of the structure, the damage can be identified by the nonlinear relationship between the damage and the structural dynamic parameters, while the strain parameters have a high sensitivity to the minor damage of the local structure. It is an ideal parameter for structural damage diagnosis. Based on wavelet analysis and neural network theory, wavelet analysis is used to determine the damage location of frame structure, and neural network algorithm is used to identify damage degree. The principle of frame structure damage identification based on strain modal parameters is presented, and a wavelet neural network method for structural damage identification is established. This method can identify the damage location of frame and the damage degree of frame structure. Taking the simple frame as the research object, using the wavelet neural network method established in this paper, according to the different ratio of crack length to section height (d / h), the damage is simulated and the finite element model is established. By establishing the damage identification method based on mode and strain mode, the crack location of simple frame with multiple damage is identified, and the effect of damage location identification under these two modes is compared. Then the modal and strain modes of the frame are transformed with continuous wavelet transform to obtain the modulus maximum of the wavelet coefficients under the two modal parameters. The nonlinear relationship between the modulus maximum of wavelet coefficients and the degree of damage is simulated by neural network to identify the damage degree of the structure, and the effect of the damage degree in these two modes is compared. The numerical analysis shows that the wavelet neural network can effectively identify the damage location and damage degree of the structure, and the damage identification method based on strain mode has better accuracy. In this paper, a finite element model of a frame with two or more damage is established, which includes one story and two spans, two stories and one span, and two stories and two spans. The strain mode continuous wavelet transform is carried out under different damage conditions, and the damage location is identified by wavelet coefficient graph. Then a neural network is constructed by using the modulus maximum of the strain mode wavelet coefficient as the output parameter, and the damage degree of the structure is identified by the output result of the neural network, which verifies the validity of the method. The method presented in this paper can be used as a reference for the engineering application of structural damage diagnosis.
【学位授予单位】：长沙理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TU317

【相似文献】

中国期刊全文数据库 前10条

1 黄永红;徐勇;;基于小波神经网络的某边坡预测研究[J];测绘工程;2012年02期

2 祖哲;毕贵红;刘力;郝娟;;基于小波神经网络的电力系统短期负荷预测模型研究[J];计算机技术与发展;2012年10期

3 霍禹同;;基于小波神经网络的电机自动控制研究[J];信息与电脑(理论版);2013年09期

4 江亚东,丁丽萍,夏克俭,李恪,陈因颀;基于小波神经网络的混沌模式提取[J];北京科技大学学报;2001年05期

5 陈农,贾区耀;用自适应小波神经网络辨识动态实验数据[J];飞行力学;2001年01期

6 张增芳,陈瑞中,齐保谦,陆英北;基于小波神经网络的心电数据压缩研究[J];广西工学院学报;2002年01期

7 任少龙,钟秋海,严承华;小波神经网络在装备研制费预测与控制中的应用[J];海军工程大学学报;2002年05期

8 董杰,马壮,吴云,李嘉林;遗传小波神经网络在飞机加油管路设计中的应用[J];机械科学与技术;2002年S1期

9 赵学智,邹春华,陈统坚,叶邦彦,彭永红;小波神经网络的参数初始化研究[J];华南理工大学学报(自然科学版);2003年02期

10 杨春玲,杨茂华,胡艳,戴景民;小波神经网络在多波长辐射测温中的应用[J];计量学报;2003年04期

中国重要会议论文全文数据库 前10条

1 胡博;陶文华;崔博;白一彤;尹旭;;基于小波神经网络的异步电机故障诊断[A];2009中国控制与决策会议论文集（2）[C];2009年

2 何正友;钱清泉;;一种改进小波神经网络模型在电力故障信号识别中的应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

3 鲁艳军;陈汉新;陈绪兵;;基于小波神经网络的齿轮裂纹故障诊断[A];节能减排 绿色制造 智能制造——低碳经济下高技术制造产业与智能制造发展论坛论文集[C];2010年

4 董健;尹萌;张辉;;小波神经网络结合多项式的混合预测方法在通信规划中的应用[A];2011全国无线及移动通信学术大会论文集[C];2011年

5 谢建宏;张为公;;复合材料疲劳剩余寿命预测的动态小波神经网络方法[A];第二届全国信息获取与处理学术会议论文集[C];2004年

6 陈建秋;张新政;;基于小波神经网络的水质预测应用研究[A];2006中国控制与决策学术年会论文集[C];2006年

7 孙正贵;;小波神经网络的高效学习算法及应用研究[A];中南六省（区）自动化学会第24届学术年会会议论文集[C];2006年

8 黄敏;朱启兵;崔宝同;;基于小波神经网络的轧机特性回归[A];2007中国控制与决策学术年会论文集[C];2007年

9 周绍磊;张文广;李新;;一种基于改进遗传算法的小波神经网络[A];2007年中国智能自动化会议论文集[C];2007年

10 杜青;刘剑飞;刘娟;乔延华;;基于小波神经网络的模拟调制信号自动识别[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（下册）[C];2007年

中国博士学位论文全文数据库 前10条

1 侯霞;小波神经网络若干关键问题研究[D];南京航空航天大学;2006年

2 章文俊;小波神经网络算法及其船舶运动控制应用研究[D];大连海事大学;2014年

3 高协平;小波参数化与小波神经网络研究[D];湖南大学;2003年

4 宋清昆;自适应结构优化神经网络控制研究[D];哈尔滨理工大学;2009年

5 李永红;广义小波神经网络实现雷达相关滤波的研究[D];大连海事大学;2000年

6 银俊成;量子信道与量子小波神经网络相关问题研究[D];陕西师范大学;2013年

7 李文军;多小波和小波神经网络构造及其在电弧故障诊断中的应用研究[D];吉林大学;2008年

8 刘守生;遗传算法与小波神经网络中若干问题的研究[D];南京航空航天大学;2005年

9 黄同成;基于小波神经网络理论的VOCR与HOCR技术研究[D];上海大学;2008年

10 蔡振禹;基于粗集—小波神经网络的煤炭企业管理研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 张清华;小波神经网络参数优化及其应用[D];东北农业大学;2009年

2 王建双;基于小波神经网络控制器设计与研究[D];哈尔滨理工大学;2009年

3 张蓉晖;小波神经网络及其在模拟电路诊断中的应用[D];华中科技大学;2008年

4 吴曦;基于随机小波神经网络的一类随机过程的逼近[D];西北工业大学;2001年

5 王勇;基于小波神经网络的模拟电路故障诊断的研究[D];内蒙古工业大学;2006年

6 孙新强;基于小波神经网络的板料冲压回弹研究[D];西南交通大学;2015年

7 但立;基于小波神经网络的地面三维激光扫描点云数据的滑坡监测研究[D];长安大学;2015年

8 王超;基于智能算法的含酸性气体甲烷水合物形成条件预测研究[D];中国石油大学(华东);2014年

9 付梦瑶;电动负载模拟器的控制方法研究[D];中北大学;2016年

10 姜琳珊;基于区间小波神经网络的高炉炉温预测[D];东北大学;2014年

，

本文编号：2338775