結(jié)構(gòu)的模態(tài)參數(shù)（頻率、振型、阻尼比）是結(jié)構(gòu)的一個固有本質(zhì)特性,是了解結(jié)構(gòu)動力特性、進行結(jié)構(gòu)損傷檢測與安全評估的重要依據(jù)。然而,傳統(tǒng)的結(jié)構(gòu)模態(tài)參數(shù)識別方法在應(yīng)用時往往需要較多的人工干預(yù)和參數(shù)設(shè)置,在結(jié)構(gòu)健康監(jiān)測系統(tǒng)中難以實現(xiàn)模態(tài)參數(shù)的自動識別,嚴(yán)重影響結(jié)構(gòu)健康監(jiān)測系統(tǒng)在線預(yù)警。如何實現(xiàn)結(jié)構(gòu)模態(tài)參數(shù)的智能識別是值得研究的問題,為此,本文結(jié)合機器學(xué)習(xí)理論,研究環(huán)境激勵下結(jié)構(gòu)模態(tài)參數(shù)的智能方法。本文主要研究內(nèi)容包括:提出了一種基于模態(tài)獨立性的環(huán)境激勵下結(jié)構(gòu)模態(tài)參數(shù)識別的機器學(xué)習(xí)方法。該方法首先將模態(tài)參數(shù)識別問題轉(zhuǎn)化為深度學(xué)習(xí)問題,然后考慮模態(tài)響應(yīng)的不相關(guān)性和非高斯性構(gòu)造損失函數(shù)以估算模態(tài)參數(shù)。對數(shù)值模擬算例和某斜拉橋結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)進行了驗證,結(jié)果表明,所提出的方法與常用的頻域分解法,隨機子空間法和NEx T+ERA方法等具有相似的模態(tài)識別精度,但明顯優(yōu)于傳統(tǒng)獨立成分分析方法。提出的方法具有一定的智能數(shù)據(jù)處理能力,為環(huán)境激勵下的結(jié)構(gòu)模態(tài)參數(shù)識別提供一種新的選擇。提出了一種基于結(jié)構(gòu)響應(yīng)時頻域稀疏性的環(huán)境激勵下結(jié)構(gòu)模態(tài)參數(shù)識別的機器學(xué)習(xí)方法。利用結(jié)構(gòu)振動響應(yīng)數(shù)據(jù)在時頻域具有稀疏性的特點,首先將結(jié)構(gòu)... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

近些年

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-2-一艘佛山籍運砂船偏離主航道航行撞擊九江大橋，導(dǎo)致橋面坍塌約200米，導(dǎo)致9人死亡。而且橋梁維修的費用也越來越高。以美國為例，20世紀(jì)80年代末，橋梁維修的費用就達到了1500億美元，到了90年代，全國70萬座橋梁有60%需要維修，費用高達3500億美元，21世紀(jì)費用預(yù)計達到12000億美元[1]。所以，結(jié)構(gòu)的健康監(jiān)測也是一個十分重要的問題。a)美國俄亥俄大橋倒塌b)韓國圣水大橋倒塌c)重慶彩虹橋倒塌d)九江大橋事故圖1-2近些年橋梁倒塌事故模態(tài)參數(shù)識別是結(jié)構(gòu)健康監(jiān)測十分重要的內(nèi)容，因為模態(tài)參數(shù)是識別結(jié)構(gòu)是否“健康”的重要指標(biāo)，所以準(zhǔn)確識別出模態(tài)參數(shù)是了解結(jié)構(gòu)振動特性、進行健康監(jiān)測的重要依據(jù)。模態(tài)參數(shù)是反映結(jié)構(gòu)的動力特性的主要參數(shù)。傳統(tǒng)的結(jié)構(gòu)安全評價方法通過靜載試驗分析結(jié)構(gòu)的受力、變形和穩(wěn)定性等特性[2]。然而，實際的土木結(jié)構(gòu)不僅承受靜力荷載，還承受大量的動力荷載，如車輛荷載、風(fēng)荷載、地震荷載等。所以僅僅了解結(jié)構(gòu)的靜力特性不能完全了解結(jié)構(gòu)的特性，還需要了解結(jié)構(gòu)在動力荷載下特性[2]。結(jié)構(gòu)的模態(tài)參數(shù)（頻率、振型、阻尼比）是結(jié)構(gòu)的一個固有本質(zhì)特性，反映了結(jié)構(gòu)在外力作用下的反應(yīng)，表征了結(jié)構(gòu)的“性格”，是了解結(jié)構(gòu)動態(tài)特性、進行結(jié)構(gòu)損傷檢測與安全評估的重要依據(jù)，所以準(zhǔn)確識別結(jié)構(gòu)的模態(tài)參數(shù)具有重要的意義。模態(tài)參數(shù)識別從20世紀(jì)60年代至今逐漸發(fā)展成熟[2,3]。它和有限元分析構(gòu)成了結(jié)構(gòu)動力學(xué)的兩大支柱，有限元問題是結(jié)構(gòu)動力學(xué)的“正問題”方法，模態(tài)參數(shù)識別是結(jié)構(gòu)動力學(xué)的“反問題”方法[3,4]。結(jié)構(gòu)的模態(tài)參數(shù)識別是結(jié)構(gòu)動力學(xué)的經(jīng)典反

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-9-況下，稀疏成分分析也可以僅依靠輸出響應(yīng)簡單有效地識別模態(tài)參數(shù)[18]。大多數(shù)盲源分離方法利用四種類型的數(shù)學(xué)屬性，即信號源之間的相互獨立性、信號源的稀疏性、信號源的時間結(jié)構(gòu)和信號源的非平穩(wěn)特性。在本文的第二章和第三章中將詳細(xì)介紹基于信號源之間的相互獨立性的方法和基于信號源的稀疏性的方法。1.3機器學(xué)習(xí)簡介及其在方程求解中的研究現(xiàn)狀1.3.1機器學(xué)習(xí)簡介機器學(xué)習(xí)（MachineLearning）是近年來的一大熱門話題。機器學(xué)習(xí)也被稱為統(tǒng)計學(xué)習(xí)理論，是人工智能的重要分支。它通過數(shù)據(jù)分析獲得數(shù)據(jù)的規(guī)律，并將這些規(guī)律應(yīng)用于預(yù)測或判定其他未知數(shù)據(jù)。機器學(xué)習(xí)目前廣泛應(yīng)用于計算機視覺和自然語言處理等領(lǐng)域。機器學(xué)習(xí)的具體算法包括決策樹、感知機、神經(jīng)網(wǎng)絡(luò)、支持向量機、馬爾科夫鏈等。神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個重要算法，也是奠定深度學(xué)習(xí)發(fā)展的基礎(chǔ)算法，它的思想影響了深度學(xué)習(xí)，使得深度學(xué)習(xí)成為人工智能中極為重要的技術(shù)之一。而深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）就是有很多層隱藏層的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)作為一種常用的方法，是一種通過模仿生物的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型，是一種自適應(yīng)的計算模型。它通過感知外部信息的變化來改變系統(tǒng)的內(nèi)部結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)由許多的神經(jīng)元組成，神經(jīng)元之間的相互聯(lián)系構(gòu)成信息處理的龐大網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于它是一個能夠通過現(xiàn)有數(shù)據(jù)進行自我學(xué)習(xí)、總結(jié)、歸納的系統(tǒng)，能夠推理產(chǎn)生一個智能識別系統(tǒng)，從而成為人工智能技術(shù)的重要基石。圖1-3一個典型的神經(jīng)網(wǎng)絡(luò)如圖1-3所示，一個完整的神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層三部分組成。

【參考文獻】：
期刊論文
[1]結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)科學(xué)與工程研究進展[J]. 鮑躍全,陳智成,魏世銀,徐陽,唐志一,李惠.  Engineering. 2019(02)
[2]基于計算機視覺的民用基礎(chǔ)設(shè)施的檢查與監(jiān)測研究進展[J]. Billie F.Spencer Jr.,Vedhus Hoskere,Yasutaka Narazaki.  Engineering. 2019(02)
[3]結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)科學(xué)與工程[J]. 李惠,鮑躍全,李順龍,張東昱.  工程力學(xué). 2015(08)

博士論文
[1]基于盲源分離技術(shù)的工程結(jié)構(gòu)模態(tài)參數(shù)識別方法研究[D]. 張曉丹.北京交通大學(xué) 2010

碩士論文
[1]橋梁工程重大坍塌事故調(diào)查與分析[D]. 侯秀麗.中南大學(xué) 2006



本文編號：3447005