本文關(guān)鍵詞：基于盲源分離的大跨度橋梁多源激勵(lì)振動(dòng)原型監(jiān)測(cè)數(shù)據(jù)分析，，由筆耕文化傳播整理發(fā)布。

【摘要】：抖振是大跨度橋梁的風(fēng)致振動(dòng)形式之一,雖然抖振引起的橋梁振動(dòng)響應(yīng)相對(duì)較小,但發(fā)生頻度高,因此密切影響著橋梁的疲勞性能和行車安全性。結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)利用加速度傳感器測(cè)量橋梁的振動(dòng)響應(yīng),傳感器接收到的振動(dòng)信號(hào)成分復(fù)雜,受多種荷載影響,其中風(fēng)荷載和車輛荷載起到主要控制作用。為了單純研究風(fēng)振響應(yīng),需要消除或削弱車輛荷載的干擾。為此,本文采用機(jī)器學(xué)習(xí)方法,開(kāi)展結(jié)構(gòu)健康監(jiān)測(cè)振動(dòng)信號(hào)中風(fēng)致振動(dòng)與車致振動(dòng)的分離研究。主要研究?jī)?nèi)容包括:研究基于獨(dú)立成分分析(Independent Component Analysis,ICA)的橋梁風(fēng)致振動(dòng)、車致振動(dòng)的信號(hào)分離方法。首先介紹盲源分離算法中的ICA算法原理;然后分析橋梁振動(dòng)信號(hào)特點(diǎn),利用帶通濾波器組對(duì)單通道信號(hào)進(jìn)行濾波,得到頻率獨(dú)立的偽多通道信號(hào),進(jìn)而采用ICA進(jìn)行盲源分離,并利用NCut聚類算法對(duì)相似的獨(dú)立成分進(jìn)行聚類,得到風(fēng)致振動(dòng)子空間與車致振動(dòng)子空間,重構(gòu)出兩條振動(dòng)信號(hào)。提出基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)的分離信號(hào)評(píng)價(jià)方法。首先介紹自編碼算法原理與深度神經(jīng)網(wǎng)絡(luò)算法原理;然后針對(duì)橋梁振動(dòng)信號(hào)特點(diǎn)構(gòu)建棧式自編碼深度神經(jīng)網(wǎng)絡(luò),并采用蘇通長(zhǎng)江公路大橋監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練,研究基于樣本分類的分離效果評(píng)價(jià)標(biāo)準(zhǔn)。最后融合獨(dú)立成分分析和深度神經(jīng)網(wǎng)絡(luò),構(gòu)建單通道橋梁振動(dòng)信號(hào)的分離及效果評(píng)價(jià)算法流程,并以蘇通長(zhǎng)江公路大橋結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)數(shù)據(jù)為例,進(jìn)行橋梁風(fēng)致振動(dòng)與車致振動(dòng)的分離,驗(yàn)證分離算法的有效性。
【關(guān)鍵詞】：結(jié)構(gòu)健康監(jiān)測(cè) 振動(dòng)數(shù)據(jù)分離 盲源分離 獨(dú)立成分分析 深度神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U446
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-13
• 1.1 課題背景及研究的目的和意義8-12
• 1.1.1 大跨度橋梁的風(fēng)致振動(dòng)8-9
• 1.1.2 盲源分離在結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用9-11
• 1.1.3 深度學(xué)習(xí)在結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用11-12
• 1.2 本文的研究方法及內(nèi)容12-13
• 第2章 基于獨(dú)立成分分析的橋梁風(fēng)致/車致振動(dòng)信號(hào)分離方法13-25
• 2.1 獨(dú)立成分分析的數(shù)學(xué)原理13-16
• 2.1.1 FastICA算法的數(shù)學(xué)原理15-16
• 2.2 獨(dú)立成分分析對(duì)于橋梁振動(dòng)信號(hào)的適用性16-20
• 2.2.1 獨(dú)立性16-17
• 2.2.2 概率分布17-20
• 2.3 獨(dú)立子空間分析的基本思想20-21
• 2.3.1 獨(dú)立成分之間的相似度衡量20-21
• 2.3.2 NCut聚類的基本思想21
• 2.4 橋梁振動(dòng)信號(hào)的盲源分離算法流程設(shè)計(jì)21-24
• 2.4.1 帶通濾波22-23
• 2.4.2 加窗23
• 2.4.3 降噪23-24
• 2.4.4 獨(dú)立成分分析24
• 2.4.5 聚類24
• 2.5 本章小結(jié)24-25
• 第3章 基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)致/車致振動(dòng)識(shí)別與評(píng)價(jià)方法25-38
• 3.1 神經(jīng)網(wǎng)絡(luò)模型的基本思想25-28
• 3.2 分類模型的數(shù)學(xué)原理28-30
• 3.2.1 Logistic回歸28-29
• 3.2.2 Softmax回歸29-30
• 3.3 深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建原理30-33
• 3.3.1 自編碼算法31-32
• 3.3.2 棧式自編碼算法32-33
• 3.4 適用于風(fēng)/車振動(dòng)識(shí)別的深度神經(jīng)網(wǎng)絡(luò)構(gòu)建33-37
• 3.4.1 訓(xùn)練集樣本34
• 3.4.2 棧式自編碼神經(jīng)網(wǎng)絡(luò)的逐層貪婪訓(xùn)練34-37
• 3.5 本章小結(jié)37-38
• 第4章 蘇通大橋振動(dòng)響應(yīng)全過(guò)程分析與算法驗(yàn)證38-63
• 4.1 蘇通大橋概況38-42
• 4.1.1 地理與結(jié)構(gòu)信息38-40
• 4.1.2 結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)概況40-42
• 4.2 算法流程全過(guò)程分析與評(píng)價(jià)42-61
• 4.2.1 樣本選取及特性分析43-47
• 4.2.2 帶通濾波器組濾波47-52
• 4.2.3 信號(hào)去噪52
• 4.2.4 FastICA盲源分離52-53
• 4.2.5 NCut聚類創(chuàng)建獨(dú)立子空間53-57
• 4.2.6 風(fēng)致/車致振動(dòng)的識(shí)別與分類57-61
• 4.3 本章小結(jié)61-63
• 結(jié)論63-64
• 參考文獻(xiàn)64-69
• 致謝69

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 林秋華,殷福亮;盲源分離自適應(yīng)算法的統(tǒng)一形式[J];大連理工大學(xué)學(xué)報(bào);2002年04期

2 李廣彪;張劍云;;基于變步長(zhǎng)等變化自適應(yīng)盲源分離算法[J];電子信息對(duì)抗技術(shù);2006年01期

3 蘇中元;賈民平;;周期平穩(wěn)信號(hào)盲源分離算法及其應(yīng)用[J];機(jī)械工程學(xué)報(bào);2007年10期

4 陳錫明;黃碩翼;;盲源分離綜述——問(wèn)題、原理和方法[J];電子信息對(duì)抗技術(shù);2008年02期

5 劉秀芳;艾延廷;張[

本文編號(hào)：457403