学位论文 > 优秀研究生学位论文题录展示

压电智能结构损伤检测及其传感器优化配置的研究

作　者: 谢建宏
导　师: 张为公
学　校: 东南大学
专　业: 精密仪器及机械
关键词: 压电智能结构损伤检测传感器优化配置最小二乘支持向量机遗传神经网络方法成本与效益功率谱密度
分类号: TH878
类　型: 博士论文
年　份: 2005年
下　载: 502次
引　用: 3次
阅　读: 论文下载

内容摘要

实现损伤自检测功能是智能结构研究的主要内容之一,而损伤检测方法和传感器的优化配置是关联损伤自检测功能的两个重要问题,这两个问题的研究,对智能结构的应用具有重要的理论意义和实用价值。论文针对压电智能复合材料层板,以有限元数值仿真为主要手段,对低速冲击加载方式下各压电传感器瞬态响应信号的特征进行提取,继而进行压电智能结构损伤检测方法及其传感器优化配置方面的研究。论文采用最小二乘支持向量机(LS-SVM)的回归原理,对压电智能复合材料层板冲击损伤位置检测进行了研究,并与改进的BP网络进行了对比。结果表明,LS-SVM有比BP网络更快的训练速度、更强的泛化能力,并且LS-SVM具有不敏感于网络输入矢量次序的变换,表现出较强的适应性,适宜在结构损伤检测传感器优化配置问题中建立损伤检测目标函数。论文提出了一种基于损伤检测的智能结构传感器优化配置的遗传神经网络方法。该方法采用最小二乘支持向量机(LS-SVM)网络建立损伤检测目标函数,运用改进的遗传算法对目标函数进行优化,从而实现不同数目传感器的优化布置,并综合考虑成本与效益的因素,确定传感器的最优配置数目。论文对该遗传神经网络方法的具体实现过程及其可行性进行了分析,结果表明,该方法是可行的,可用于实现传感器对应于其初始布置模式下的最优配置。对于更多传感器的初始布置模式,采用该方法可有效减少更多传感器的数量,从而降低成本。论文从试验角度,采用主动监测方案,对该遗传神经网络方法进行了一定的分析,对试验中采集的传感器响应信号采用功率谱密度最大值进行了特征提取。论文对机翼盒段试验件进行了结构分析,采用有限单元方法,建立了其结构的有限元模型,并进行了冲击压电响应数值仿真。应用该遗传神经网络方法,基于冲击损伤位置检测问题,对机翼盒段试验件压电传感器进行了优化配置,得到了传感器对应于其初始布置模式下的最优配置,为该结构试验件的实际压电传感器的优化配置提供指导依据。本文的研究得到了国家自然科学基金(90205031)的资助。

全文目录

摘要  4-5
Abstract  5-10
第一章绪论  10-23
  1.1 智能材料结构的概念  10-11
  1.2 智能结构的研究概况  11-12
  1.3 智能结构的基本组成  12-14
    1.3.1 智能结构传感元件  13
    1.3.2 智能结构驱动元件  13
    1.3.3 智能结构控制系统  13-14
  1.4 关于智能复合材料结构  14-17
    1.4.1 智能复合材料结构的产生与发展  14-15
    1.4.2 智能复合材料结构的特点  15-17
  1.5 智能结构损伤检测方法与技术  17-19
    1.5.1 结构损伤检测及其方法概述  17
    1.5.2 智能损伤检测技术  17-19
  1.6 智能结构传感器的优化配置  19-21
    1.6.1 传感器优化配置的意义  19-20
    1.6.2 传感器优化配置的方法  20-21
    1.6.3 基于损伤检测的传感器优化配置  21
  1.7 论文研究任务  21-23
第二章压电智能复合材料层板冲击压电响应分析  23-38
  2.1 引言  23-24
  2.2 压电复合材料层板力学模型  24-30
    2.2.1 几何方程  24-26
    2.2.2 物理方程  26-27
    2.2.3 运动方程  27-30
  2.3 压电响应方程  30-32
    2.3.1 机电耦合方程  30-31
    2.3.2 传感器方程  31-32
  2.4 冲击压电响应有限元数值仿真  32-37
    2.4.1 仿真实例描述  33-34
    2.4.2 有限元数值建模  34-35
    2.4.3 有限元仿真结果  35-37
  2.5 本章小结  37-38
第三章支持向量机及其在智能结构损伤检测中的应用  38-58
  3.1 引言  38-39
  3.2 机器学习的基本问题  39-41
    3.2.1 问题的表示  39-40
    3.2.2 经验风险最小化原则  40
    3.2.3 复杂性与推广能力  40-41
  3.3 统计学习理论  41-43
    3.3.1 VC维  41
    3.3.2 推广性的界  41-42
    3.3.3 结构风险最小化原则  42-43
  3.4 支持向量机  43-51
    3.4.1 最优超平面  43-46
    3.4.2 支持向量机  46-47
    3.4.3 核函数  47-48
    3.4.4 支持向量机的不同形式  48-51
  3.5 最小二乘支持向量机回归原理  51-52
  3.6 基于最小二乘支持向量机的智能结构损伤检测  52-57
    3.6.1 问题的描述  52-54
    3.6.2 LS-SVM调整参数的优化及其检测结果  54-55
    3.6.3 LS-SVM与BP网络的比较  55-57
  3.7 本章小结  57-58
第四章智能结构损伤检测传感器优化配置的遗传神经网络方法  58-89
  4.1 引言  58
  4.2 遗传算法  58-67
    4.2.1 遗传算法的基本思想  59-60
    4.2.2 遗传算法的特点  60-61
    4.2.3 遗传算法的数学基础  61-64
    4.2.4 遗传算法的实现技术  64-67
  4.3 基于损伤检测的传感器优化配置的遗传神经网络方法  67-79
    4.3.1 遗传神经网络方法的提出  67-68
    4.3.2 遗传神经网络方法的实现  68-75
    4.3.3 遗传神经网络方法的可行性分析  75-79
  4.4 遗传神经网络方法的试验分析  79-88
    4.4.1 损伤主动监测系统  79-80
    4.4.2 层板压电响应信号的PSM特征提取  80-86
    4.4.3 遗传神经网络方法的实施与分析  86-88
  4.5 本章小结  88-89
第五章机翼盒段试验件压电传感器的优化配置  89-102
  5.1 引言  89
  5.2 机翼盒段试验件描述  89-92
  5.3 试验件冲击压电响应数值仿真  92-97
  5.4 基于遗传神经网络的试验件传感器的优化配置  97-101
  5.5 本章小结  101-102
第六章总结与展望  102-106
  6.1 总结  102-104
  6.2 展望  104-106
参考文献  106-118
致谢  118-119
攻读博士学位期间发表的论文  119

压电智能结构损伤检测及其传感器优化配置的研究

内容摘要

全文目录

相似论文