发明名称 一种适用于空间网格结构的损伤识别方法
摘要 本发明涉及一种大型结构的损伤识别方法,特别涉及一种适用于空间网格结构的损伤识别方法。首先以整个结构为研究对象进行面向子结构的损伤定位,即根据空间网格结构的组成规律,将其细分成子结构,采用概率神经网络识别损伤可能发生的子结构。然后以整个子结构为研究对象,在缩小的范围内采用面向节点的损伤定位,最后以整个节点为研究对象,将损伤定位到具体的杆件并确定损伤程度。适用于大型结构如桥梁、输电塔、高层建筑等结构形式的损伤识别,尤其适用于节点和杆件众多的大跨空间网格结构的损伤识别,该方法精简了神经网络的结构并提高了其非线性映射能力及损伤识别的效率,具有一定的工程实用价值。
申请公布号 CN103116759A 申请公布日期 2013.05.22
申请号 CN201310042874.9 申请日期 2013.02.01
申请人 北京工业大学 发明人 吴金志;刘才玮;张毅刚
分类号 G06K9/62(2006.01)I;G06N3/02(2006.01)I 主分类号 G06K9/62(2006.01)I
代理机构 北京思海天达知识产权代理有限公司 11203 代理人 吴荫芳
主权项 一种适用于空间网格结构的损伤识别方法,其特征在于包括以下步骤:(1)将空间网格结构按照几何位置连续性的方式划分为多个子结构,任意两个子结构中杆件、节点的布置相同,并对其进行编号;(2)对空间网格结构进行加速度传感器优化布置,获取空间网格结构损伤前后的频率和振型向量;(3)训练概率神经网络PNN,具体为通过频率对杆件的灵敏度分析,从每个子结构中选取杆件灵敏度排序前10%且距离子结构中心最近位置的杆件作为训练样本;将选取出的杆件的标准化的损伤信号指标NDSIi(k)作为PNN的输入参数,输出参数为选出杆件对应的子结构编号;其中标准化的损伤信号指标NDSIi(k)的计算公式如下: <mrow> <msub> <mi>NDSI</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>DSI</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>|</mo> <msub> <mi>DSI</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>DSI</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>{</mo> <msub> <mi>&phi;</mi> <mi>ui</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>{</mo> <msub> <mi>&phi;</mi> <mi>di</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> <mrow> <msubsup> <mi>&omega;</mi> <mi>ui</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&omega;</mi> <mi>di</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>其中,式(1)中NDSIi(k)为第i阶模态的损伤信号指标,i=1,2,…,n,n为实测模态阶数,n小于等于5,式(2)中ωui(k)和ωdi(k)分别为空间网格结构损伤前后的第i阶频率,φui和φdi分别为空间网格结构结构损伤前后的第i阶振型,k为实测模态矢量的位置;(4)初步确定空间网格结构中的损伤样本所在的子结构编号,具体包括,将损伤样本损伤前后的模态信息构造的标准化损伤信号指标NDSIi(k)作为步骤3中训练好的PNN的输入参数,输出参数为损伤样本所在的子结构编号;(5)训练广义回归神经网络并进行损伤节点定位,具体为将步骤(4)中识别出的子结构中所有的杆件作为训练样本,将训练样本损伤前后的实测频率和振型向量构造的NDSIi(k)作为广义回归神经网络GRNN1的输入参数,输出为杆件对应节点的损伤指数,对GRNN1进行训练;用损伤样本损伤前后的实测频率和振型向量构造的NDSIi(k)作为训练完毕的GRNN1输入,输出为步骤(4)中识别出的子结构中各个节点的损伤指数,即将损伤样本中的损伤位置定位到损伤杆件所在的节点;所述的节点的损伤指数用于表示与节点相连接的任意杆件是否出现损伤,当输出值≥0.5时即认为节点出现损伤,当输出值<0.5时即认为节点无损伤;(6)训练广义回归神经网络并进行损伤杆件定位,具体为,以与步骤(5)识别出的节点相连接的所有杆件作为神经网络的训练样本,以训练样本损伤前后的实测频率和振型向量构造的NDSIi(k)作为广义回归神经网络GRNN2的输入,每根杆件的损伤指数作为神经网络的输出,对GRNN2进行训练;用损伤样本损伤前后的实测频率和振型向量构造的NDSIi(k)作为训练完毕的GRNN2输入,输出为与节点相连的每个杆件的损伤指数,所述的每个杆件的损伤指数用于表示与步骤(5)识别出的节点相连接的特定杆件是否出现损伤,当输出值≥0.5时即认为该杆件出现损伤,当输出值<0.5时即认为该杆件无损伤;(7)训练广义回归神经网络并确定损伤杆件的具体程度,具体为,以步骤(6)识别出的损伤样本的不同损伤程度作为训练样本,将训练样本损伤前后的 实测频率和振型向量构造空间网格结构损伤特征参数GSDS作为广义回归神经网络GRNN3的输入参数,相对应的损伤程度作为输出,对GRNN3进行训练,将损伤样本损伤前后的实测频率和振型向量构造GSDS作为训练完毕GRNN3的输入,输出为损伤样本的损伤程度,即确定了损伤样本的损伤程度;空间网格结构损伤特征参数GSDS的定义如式(3)所示:GSDS={DF1,DF2,…,DFp,FCR1,FCR2,…,FCRm}       (3)DFi=(Φoi1,Φoi2,…,Φoip)          (4)Φoij=Φij/(Φij)max (j=1,2,...,p)         (5)FCRi=(ωui‑ωdi)/ωui               (6)式(3)中p为使用的振型阶数,p≤3;m为使用的频率阶数,m≤5,FCRi为空间网格结构损伤前后的频率变化率;式(4)中DFi为第i阶模态对应于p个测试自由度的归一化后的振型向量;式(5)中Φij为损伤样本第i阶模态、第j测试自由度的振型分量,(Φij)max为损伤样本第i阶模态、第j测试自由度的振型分量的最大值;式(6)中ωui和ωdi分别为空间网格结构损伤前后的第i阶频率。
地址 100124 北京市朝阳区平乐园100号