基于极限学习机马尔可夫模型的结构健康状态预测研究

发布时间：2017-08-11 23:04

  本文关键词：基于极限学习机马尔可夫模型的结构健康状态预测研究

  更多相关文章： 结构健康趋势预测 损伤特征提取 极限学习机 马尔科夫模型 粒子群

【摘要】：20世纪以来国内外土木工程结构的建设取得了突破性、划时代的发展,同时这类土木结构的安全性和耐久性也越来越受到人们的关注,这使得结构健康监测与预测诊断技术成为社会研究的热点,对正在建设的和正在服役的土木工程结构设施进行有效的损伤监测、评估和趋势的预测,具有重要的意义,本文以结构健康状态趋势预测为研究目的,分别对结构损伤的特征提取和趋势预测进行了深入研究,研究内容如下:(1)为了有效的提取结构的损伤特征,提出了一种基于EEMD和HT变换的结构损伤特征提取方法。首先对原始信号进行EEMD分解,提取包含结构损伤信息的IMF分量,再对其进行HT变换计算瞬时频率。试验表明:结构损伤前后瞬时频率会发生明显的变化,能够有效反映结构因损伤引起的状态变化,并且可以准确地体现结构刚度变化的趋势,从而反映结构健康状态的发展趋势。(2)极限学习机受本身算法的制约导致其预测精度不高,误差较大,为了能更精确的预测结构健康状态的趋势,提出一种结合极限学习机和马尔科夫模型的预测方法。首先利用极限学习机对表征结构损伤的瞬时频率进行预测,计算拟合误差,然后对拟合误差建立马尔科夫模型预测出极限学习机的预测误差,并修正极限学习机的预测值。试验表明:极限学习机马尔科夫预测模型由于受马尔科夫状态预测值的约束,导致其预测误差相比极限学习机差异不大,预测精度仅仅略有提高,不能有效的预测结构健康状态的趋势;不同的隐层神经元数目和马尔科夫状态数都会影响预测精度,因此需要针对具体的实际问题选择合适的神经元和马尔科夫状态数。(3)针对极限学习机马尔科夫模型的预测精度不能满足要求这一问题,提出一种粒子群优化的极限学习机马尔科夫模型。该方法是利用粒子群算法对极限学习机马尔科夫模型中的状态预测值进行自适应寻优,找出可能性最大的状态预测值。试验表明:利用粒子群算法能够找出相应的马尔科夫状态区间中最合适的状态预测值,使得整个极限学习机马尔科夫模型预测值更接近真实值,误差更小精度更高。
【关键词】：结构健康趋势预测 损伤特征提取 极限学习机 马尔科夫模型 粒子群
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU317;O211.62
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 土木结构健康监测与预测的意义9-10
• 1.2 结构健康监测与预测的研究现状10-12
• 1.3 信号处理方法和极限学习机在结构健康监测中的研究现状12-15
• 1.3.1 EMD&EEMD在损伤诊断中的研究现状12-14
• 1.3.2 小波和小波包分析在损伤诊断中的研究现状14
• 1.3.3 极限学习机的研究现状14-15
• 1.4 课题来源、研究内容及章节安排15-16
• 第二章 基于EEMD和HT的结构损伤特征提取16-41
• 2.1 引言16
• 2.2 EMD方法16-22
• 2.3 EEMD方法22-28
• 2.3.1 EEMD的原理23-24
• 2.3.2 EMD和EEMD仿真信号对比分析24-28
• 2.4 Hilbert变换28-29
• 2.5 工程仿真信号损伤特征提取29-36
• 2.5.1 时变动力系统模型分析和建立29-31
• 2.5.2 损伤趋势特征提取方法31-32
• 2.5.3 多自由度模型的损伤趋势研究32-33
• 2.5.4 EEMD和HT损伤趋势特征提取33-36
• 2.6 工程振动信号损伤趋势特征提取36-40
• 2.7 本章小结40-41
• 第三章 基于极限学习机马尔科夫模型的结构状态趋势预测41-75
• 3.1 引言41
• 3.2 单隐层反馈神经网络41-44
• 3.3 极限学习机模型与马尔科夫模型44-51
• 3.3.1 极限学习机44-47
• 3.3.2 马尔科夫过程47-48
• 3.3.3 马尔科夫预测模型48-50
• 3.3.4 极限学习机马尔科夫模型50-51
• 3.4 基于极限学习马尔科夫模型的结构损伤趋势预测51-74
• 3.4.1 函数预测验证51-59
• 3.4.2 误差评价指标59
• 3.4.3 工程仿真数据预测59-68
• 3.4.4 工程振动信号预测68-74
• 3.5 本章小结74-75
• 第四章 改进的极限学习马尔科夫模型在结构损伤趋势预测中的应用75-90
• 4.1 引言75
• 4.2 粒子群算法理论75-78
• 4.2.1 粒子群算法的提出75
• 4.2.2 粒子群算法的基本原理75-78
• 4.3 粒子群—极限学习马尔科夫模型78-79
• 4.4 粒子群—极限学习马尔科夫模型在结构损伤趋势预测中的应用79-89
• 4.4.1 函数预测验证79-81
• 4.4.2 工程仿真数据预测验证81-85
• 4.4.3 工程振动信号预测85-89
• 4.5 本章小结89-90
• 第五章 结论与展望90-92
• 5.1 结论90
• 5.2 展望90-92
• 参考文献92-96
• 攻读硕士学位期间取得的研究成果96-97
• 致谢97

【参考文献】

中国期刊全文数据库 前10条

1 郭皓;高崇仁;殷玉枫;张宇;;一种构建桥机结构健康状态评价体系的方法研究[J];机械工程与自动化;2015年05期

2 胡柏学;黄浩;曾威;;基于健康监测的悬索桥吊索疲劳可靠性评估[J];公路交通科技;2015年06期

3 马超;张英堂;;在线核极限学习机及其在时间序列预测中的应用[J];信息与控制;2014年05期

4 陆玉;张华;;基于改进极限学习机算法的股票价格在线预测[J];计算机工程与应用;2014年20期

5 李知艺;丁剑鹰;吴迪;文福拴;;电力负荷区间预测的集成极限学习机方法[J];华北电力大学学报(自然科学版);2014年02期

6 任美龙;王旭;梁鹏;;桥梁健康监测传感器系统的现状及发展趋势[J];公路;2013年11期

7 王杰;毕浩洋;;一种基于粒子群优化的极限学习机[J];郑州大学学报(理学版);2013年01期

8 胡义函;张小刚;陈华;李晶辉;;一种基于鲁棒估计的极限学习机方法[J];计算机应用研究;2012年08期

9 ;Analysis and assessment of bridge health monitoring mass data——progress in research/development of “Structural Health Monitoring”[J];Science China(Technological Sciences);2012年08期

10 高清清;贾民平;;基于EEMD的奇异谱熵在旋转机械故障诊断中的应用[J];东南大学学报(自然科学版);2011年05期

，

本文编号：658609