橋梁健康監(jiān)測通過實時獲取橋梁的各類參數(shù),判斷橋梁結(jié)構(gòu)狀況,及時采取修復措施防止橋梁出現(xiàn)大面積結(jié)構(gòu)損傷,保證橋梁內(nèi)部結(jié)構(gòu)損傷不超過破壞極限。如何獲取準確的橋梁參數(shù)數(shù)據(jù)是橋梁健康監(jiān)測系統(tǒng)的基礎,數(shù)據(jù)的準確性直接決定了橋梁健康監(jiān)測系統(tǒng)對橋梁狀態(tài)的判斷。傳感器是獲取監(jiān)測數(shù)據(jù)的直接手段,傳感器所處環(huán)境惡劣,工作強度大,因此很容易出現(xiàn)故障�；诖�,本文提出基于深度學習理論的傳感器故障診斷及故障類型識別方法。文章首先以連續(xù)剛構(gòu)橋中撓度監(jiān)測為例,探討了監(jiān)測撓度的激光投射式位移傳感器的工作原理,以及激光投射式位移傳感器在橋梁工作環(huán)境,自然環(huán)境的影響下,可能出現(xiàn)的故障類型,故障特征及引起故障的原因。然后通過對比多種深度學習模型,結(jié)合故障診斷特點選定深度自編碼網(wǎng)絡作為故障診斷模型;對比多種訓練優(yōu)化算法,選定L-BFGS優(yōu)化算法作為模型訓練優(yōu)化算法。結(jié)合橋梁健康監(jiān)測傳感器故障數(shù)據(jù)特征,確定深度自編碼網(wǎng)絡的輸入、輸出,以離線仿真試驗的方法確定深度自編碼網(wǎng)絡層數(shù)、隱層節(jié)點數(shù)等超參數(shù)。隨后利用橋梁實測數(shù)據(jù)對所提出的故障診斷方法進行了驗證,與傳統(tǒng)BP神經(jīng)網(wǎng)絡傳感器故障診斷方法和支持向量機的傳感器故障診斷方法進行對比,... 

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于解析模型的方法
        1.2.2 基于信號處理的方法
        1.2.3 基于知識的方法
        1.2.4 現(xiàn)狀總結(jié)
    1.3 本文主要研究內(nèi)容
第二章 傳感器故障診斷相關理論
    2.1 概述
    2.2 橋梁撓度-激光投射式位移傳感器
    2.3 激光投射式位移傳感器故障特征
    2.4 本章小結(jié)
第三章 面向故障診斷的深度自編碼網(wǎng)絡模型設計
    3.1 概述
    3.2 深度學習模型
        3.2.1 遞歸神經(jīng)網(wǎng)絡
        3.2.2 深度置信網(wǎng)絡(DBN)
        3.2.3 深度自編碼網(wǎng)絡(SAE)
    3.3 深度自編碼網(wǎng)絡優(yōu)化算法
        3.3.1 梯度下降法
        3.3.2 牛頓法
        3.3.3 擬牛頓法
    3.4 深度自編碼網(wǎng)絡結(jié)構(gòu)設計
        3.4.1 輸入層、輸出層
        3.4.2 超參數(shù)確定
        3.4.3 深度自編碼網(wǎng)絡結(jié)構(gòu)確定
    3.5 本章小結(jié)
第四章 江津長江大橋撓度傳感器故障診斷
    4.1 軟件平臺
    4.2 數(shù)據(jù)來源及預處理
        4.2.1 數(shù)據(jù)來源
        4.2.2 數(shù)據(jù)預處理
    4.3 診斷過程及結(jié)果分析
        4.3.1 診斷步驟
        4.3.2 診斷結(jié)果分析
    4.4 與傳統(tǒng)診斷方法的診斷結(jié)果對比
        4.4.1 基于BP神經(jīng)網(wǎng)絡故障診斷模型
        4.4.2 基于支持向量機的故障診斷模型
        4.4.3 診斷結(jié)果及分析
    4.5 章小結(jié)
第五章 傳感器故障與橋梁損傷的區(qū)別
    5.1 傳感器的關聯(lián)性
    5.2 關聯(lián)規(guī)則相關理論
    5.3 基于關聯(lián)規(guī)則傳感器故障與橋梁損傷的區(qū)分方法
        5.3.1 傳感器數(shù)據(jù)部分異常
        5.3.2 傳感器數(shù)據(jù)全部異常
    5.4 本章小結(jié)
第六章 結(jié)論及展望
    6.1 主要工作和結(jié)論
    6.2 展望
致謝
參考文獻
攻讀學位期間取得的研究成果


【參考文獻】：
期刊論文
[1]稀疏自編碼深度神經(jīng)網(wǎng)絡及其在滾動軸承故障診斷中的應用[J]. 湯芳,劉義倫,龍慧.  機械科學與技術. 2018(03)
[2]基于深度學習的航空發(fā)動機傳感器故障檢測[J]. 劉云龍,謝壽生,鄭曉飛,邊濤.  傳感器與微系統(tǒng). 2017(09)
[3]深度學習在故障診斷領域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[4]基于K-L散度與PSO-SVM的齒輪故障診斷[J]. 秦波,劉永亮,王建國,楊云中.  現(xiàn)代制造工程. 2017(03)
[5]基于廣義未知輸入觀測器的執(zhí)行器故障估計[J]. 鄧露,文傳博.  計算機應用研究. 2017(07)
[6]基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡的壓力傳感器故障診斷[J]. 那文波,何寧,劉巍,劉甜甜.  煤礦機械. 2016(07)
[7]基于主元分析的橋梁撓度傳感器故障診斷研究[J]. 胡順仁,李瑞平,包明,張建科.  傳感器與微系統(tǒng). 2014(06)
[8]基于Elman神經(jīng)網(wǎng)絡的傳感器故障診斷研究[J]. 丁碩,常曉恒,巫慶輝,楊友林,胡慶功.  國外電子測量技術. 2014(04)
[9]小波和多核SVM方法在UVA傳感器故障診斷的應用[J]. 葉慧,羅秋鳳,李勇.  電子測量技術. 2014(01)
[10]基于參數(shù)估計的一類非線性系統(tǒng)故障診斷算法[J]. 孫蓉,劉勝,張玉芳.  控制與決策. 2014(03)

博士論文
[1]大規(guī)模數(shù)據(jù)集高效數(shù)據(jù)挖掘算法研究[D]. 申彥.江蘇大學 2013
[2]基于應變模態(tài)橋梁健康監(jiān)測關鍵技術研究[D]. 吳春利.吉林大學 2012
[3]基于模型的故障診斷方法研究及在航天中的應用[D]. 邵繼業(yè).哈爾濱工業(yè)大學 2009

碩士論文
[1]基于地震動傳感器陣列的彈丸落點定位技術研究[D]. 劉新愛.南京理工大學 2013
[2]光纖布拉格光柵傳感器的性能蛻化研究[D]. 劉立.重慶大學 2012



本文編號：3727699