【摘要】：結(jié)構(gòu)在使用過程中受到外荷載作用和材料老化的影響,可造成結(jié)構(gòu)的損傷累積和抗力衰減,甚至導致結(jié)構(gòu)整體破壞,引起災難性事故的發(fā)生。因此,研究結(jié)構(gòu)損傷識別方法不僅具有較大的理論意義,而且具有重要的現(xiàn)實意義。小波分析方法能夠很好的在時頻兩域表征信號的局部特征,而神經(jīng)網(wǎng)絡算法具有非線性映射、自我組織、并行處理等特點。根據(jù)結(jié)構(gòu)損傷會改變結(jié)構(gòu)的動力特性,通過損傷與結(jié)構(gòu)動力參數(shù)之間的非線性關系可以識別結(jié)構(gòu)的損傷,而應變參數(shù)對局部結(jié)構(gòu)的細微損傷具有較高的敏感性,使其成為結(jié)構(gòu)損傷診斷的理想指標參數(shù)。本文以框架結(jié)構(gòu)為研究對象,以小波分析和神經(jīng)網(wǎng)絡理論為基礎,結(jié)合二者的優(yōu)點,運用小波分析來確定框架結(jié)構(gòu)的損傷位置,利用神經(jīng)網(wǎng)絡算法來識別損傷程度,給出了基于應變模態(tài)參數(shù)識別框架結(jié)構(gòu)損傷的原理,建立了一種識別結(jié)構(gòu)損傷的小波神經(jīng)網(wǎng)絡方法。該方法既能有效識別框架的損傷位置又能識別框架結(jié)構(gòu)的損傷程度。以簡單框架為研究對象,采用本文所建立的小波神經(jīng)網(wǎng)絡方法,根據(jù)裂縫長度與截面高度的不同比值(d/h)來模擬損傷并建立有限元模型。通過建立基于振型模態(tài)和應變模態(tài)的損傷識別方法,分別對簡單框架含有多處損傷的裂縫位置進行了識別,并對比了這兩種模態(tài)下?lián)p傷位置的識別效果。然后分別對框架的振型模態(tài)和應變模態(tài)進行連續(xù)小波變換獲得兩種模態(tài)參數(shù)下的小波系數(shù)模極大值,利用神經(jīng)網(wǎng)絡去模擬小波系數(shù)模極大值與損傷程度之間的非線性關系來識別結(jié)構(gòu)的損傷程度,并對比了這兩種模態(tài)下?lián)p傷程度的識別效果。其數(shù)值分析表明,小波神經(jīng)網(wǎng)絡可以有效地識別出結(jié)構(gòu)的損傷位置和損傷程度,且基于應變模態(tài)的損傷識別方法具有更好的準確性。本文分別以含損傷的一層兩跨、兩層一跨和兩層兩跨的框架結(jié)構(gòu)為研究對象,建立含兩處損傷和多處損傷框架的有限元模型。在不同損傷工況下進行應變模態(tài)連續(xù)小波變換,通過小波系數(shù)圖來識別損傷位置;然后利用應變模態(tài)小波系數(shù)模極大值為輸出參數(shù)構(gòu)造神經(jīng)網(wǎng)絡,由神經(jīng)網(wǎng)絡的輸出結(jié)果來識別結(jié)構(gòu)的損傷程度,驗證了方法的有效性。本文所提出的方法可供結(jié)構(gòu)損傷診斷的工程應用參考。
[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.
【學位授予單位】：長沙理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TU317

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃永紅;徐勇;;基于小波神經(jīng)網(wǎng)絡的某邊坡預測研究[J];測繪工程;2012年02期

2 祖哲;畢貴紅;劉力;郝娟;;基于小波神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測模型研究[J];計算機技術(shù)與發(fā)展;2012年10期

3 霍禹同;;基于小波神經(jīng)網(wǎng)絡的電機自動控制研究[J];信息與電腦(理論版);2013年09期

4 江亞東,丁麗萍,夏克儉,李恪,陳因頎;基于小波神經(jīng)網(wǎng)絡的混沌模式提取[J];北京科技大學學報;2001年05期

5 陳農(nóng),賈區(qū)耀;用自適應小波神經(jīng)網(wǎng)絡辨識動態(tài)實驗數(shù)據(jù)[J];飛行力學;2001年01期

6 張增芳,陳瑞中,齊保謙,陸英北;基于小波神經(jīng)網(wǎng)絡的心電數(shù)據(jù)壓縮研究[J];廣西工學院學報;2002年01期

7 任少龍,鐘秋海,嚴承華;小波神經(jīng)網(wǎng)絡在裝備研制費預測與控制中的應用[J];海軍工程大學學報;2002年05期

8 董杰,馬壯,吳云,李嘉林;遺傳小波神經(jīng)網(wǎng)絡在飛機加油管路設計中的應用[J];機械科學與技術(shù);2002年S1期

9 趙學智,鄒春華,陳統(tǒng)堅,葉邦彥,彭永紅;小波神經(jīng)網(wǎng)絡的參數(shù)初始化研究[J];華南理工大學學報(自然科學版);2003年02期

10 楊春玲,楊茂華,胡艷,戴景民;小波神經(jīng)網(wǎng)絡在多波長輻射測溫中的應用[J];計量學報;2003年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 胡博;陶文華;崔博;白一彤;尹旭;;基于小波神經(jīng)網(wǎng)絡的異步電機故障診斷[A];2009中國控制與決策會議論文集（2）[C];2009年

2 何正友;錢清泉;;一種改進小波神經(jīng)網(wǎng)絡模型在電力故障信號識別中的應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

3 魯艷軍;陳漢新;陳緒兵;;基于小波神經(jīng)網(wǎng)絡的齒輪裂紋故障診斷[A];節(jié)能減排 綠色制造 智能制造——低碳經(jīng)濟下高技術(shù)制造產(chǎn)業(yè)與智能制造發(fā)展論壇論文集[C];2010年

4 董健;尹萌;張輝;;小波神經(jīng)網(wǎng)絡結(jié)合多項式的混合預測方法在通信規(guī)劃中的應用[A];2011全國無線及移動通信學術(shù)大會論文集[C];2011年

5 謝建宏;張為公;;復合材料疲勞剩余壽命預測的動態(tài)小波神經(jīng)網(wǎng)絡方法[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

6 陳建秋;張新政;;基于小波神經(jīng)網(wǎng)絡的水質(zhì)預測應用研究[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

7 孫正貴;;小波神經(jīng)網(wǎng)絡的高效學習算法及應用研究[A];中南六�。▍^(qū)）自動化學會第24屆學術(shù)年會會議論文集[C];2006年

8 黃敏;朱啟兵;崔寶同;;基于小波神經(jīng)網(wǎng)絡的軋機特性回歸[A];2007中國控制與決策學術(shù)年會論文集[C];2007年

9 周紹磊;張文廣;李新;;一種基于改進遺傳算法的小波神經(jīng)網(wǎng)絡[A];2007年中國智能自動化會議論文集[C];2007年

10 杜青;劉劍飛;劉娟;喬延華;;基于小波神經(jīng)網(wǎng)絡的模擬調(diào)制信號自動識別[A];2007通信理論與技術(shù)新發(fā)展——第十二屆全國青年通信學術(shù)會議論文集（下冊）[C];2007年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 侯霞;小波神經(jīng)網(wǎng)絡若干關鍵問題研究[D];南京航空航天大學;2006年

2 章文俊;小波神經(jīng)網(wǎng)絡算法及其船舶運動控制應用研究[D];大連海事大學;2014年

3 高協(xié)平;小波參數(shù)化與小波神經(jīng)網(wǎng)絡研究[D];湖南大學;2003年

4 宋清昆;自適應結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡控制研究[D];哈爾濱理工大學;2009年

5 李永紅;廣義小波神經(jīng)網(wǎng)絡實現(xiàn)雷達相關濾波的研究[D];大連海事大學;2000年

6 銀俊成;量子信道與量子小波神經(jīng)網(wǎng)絡相關問題研究[D];陜西師范大學;2013年

7 李文軍;多小波和小波神經(jīng)網(wǎng)絡構(gòu)造及其在電弧故障診斷中的應用研究[D];吉林大學;2008年

8 劉守生;遺傳算法與小波神經(jīng)網(wǎng)絡中若干問題的研究[D];南京航空航天大學;2005年

9 黃同成;基于小波神經(jīng)網(wǎng)絡理論的VOCR與HOCR技術(shù)研究[D];上海大學;2008年

10 蔡振禹;基于粗集—小波神經(jīng)網(wǎng)絡的煤炭企業(yè)管理研究[D];天津大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張清華;小波神經(jīng)網(wǎng)絡參數(shù)優(yōu)化及其應用[D];東北農(nóng)業(yè)大學;2009年

2 王建雙;基于小波神經(jīng)網(wǎng)絡控制器設計與研究[D];哈爾濱理工大學;2009年

3 張蓉暉;小波神經(jīng)網(wǎng)絡及其在模擬電路診斷中的應用[D];華中科技大學;2008年

4 吳曦;基于隨機小波神經(jīng)網(wǎng)絡的一類隨機過程的逼近[D];西北工業(yè)大學;2001年

5 王勇;基于小波神經(jīng)網(wǎng)絡的模擬電路故障診斷的研究[D];內(nèi)蒙古工業(yè)大學;2006年

6 孫新強;基于小波神經(jīng)網(wǎng)絡的板料沖壓回彈研究[D];西南交通大學;2015年

7 但立;基于小波神經(jīng)網(wǎng)絡的地面三維激光掃描點云數(shù)據(jù)的滑坡監(jiān)測研究[D];長安大學;2015年

8 王超;基于智能算法的含酸性氣體甲烷水合物形成條件預測研究[D];中國石油大學(華東);2014年

9 付夢瑤;電動負載模擬器的控制方法研究[D];中北大學;2016年

10 姜琳珊;基于區(qū)間小波神經(jīng)網(wǎng)絡的高爐爐溫預測[D];東北大學;2014年

，

本文編號：2338775