学位论文 > 优秀研究生学位论文题录展示

基于小波神经网络的结构损伤识别方法研究

作　者: 艾永明
导　师: 黄平明
学　校: 长安大学
专　业: 桥梁与隧道工程
关键词: 结构损伤识别非参数识别小波神经网络模糊聚类模糊小波伪谱
分类号: TU317
类　型: 博士论文
年　份: 2012年
下　载: 196次
引　用: 0次
阅　读: 论文下载

内容摘要

由于年代的久远和环境的影响，许多工程结构呈现出老化现象，个别的构件出现损伤甚至断裂，结构在损伤积聚下一旦发生溃塌，会对国家和人民的生命财产造成极大的损失。因此，对工程结构进行损伤识别具有重大的学术、经济和社会意义。本文利用小波变换对时间序列的时间和频率定位能力、小波函数具有的空间域缩放属性，以及神经网络具有的捕捉非确定性性质和复杂非线性的能力，结合模糊聚类技术，提出了结构非参数系统识别的动态时延模糊WNN模型，然后基于伪谱方法，提出了环境激励下大型复杂结构的损伤识别方法，并结合理论分析、数值模拟及试验方法，对结构损伤识别进行了系统和深入的研究。本文主要研究内容如下：1）基于非正交小波——Mexican hat小波，构造了动态系统函数逼近的动态时延WNN模型，该模型可以任意逼近瞬时非线性函数，并利用动态时延WNN模型在小波设计中的灵活性，添加了额外功能，如函数逼近中理想的平移参数调整。2）基于混沌理论的重构状态空间概念构造动态时延WNN的输入向量，该向量保留了时间序列数据的动态特性，可以识别结构系统的非物理参数（如结构的动态响应）。然后利用FNN方法确定动态时延WNN输入向量的最佳嵌入维数，以及修正Gram-Schmidt算法和AFPE准则确定WNN隐层节点的最佳数量，减小了WNN模型的规模，提高了模型的计算效率和识别精度。3）将具有空间域缩放属性的小波函数应用于动态时延WNN模型，它仅在输入时间序列的有限范围影响模型输出，这种属性减少了WNN节点之间的不良影响，提高了函数逼近的精确度，加快了WNN的训练收敛过程。4）基于NARMAX方法，将重构状态空间向量的模糊聚类与非正交WNN相结合，构造了结构非参数系统识别的动态时延模糊WNN模型。该模型可有效而精确地捕捉时间序列传感器数据的动态特征，并可克服传统WNN模型在处理存在局部不准确的训练数据时，由于相同的空间域缩放属性易导致的较大局部输出误差问题。5）采用自适应LM-LS混合学习算法训练动态时延模糊WNN模型，训练过程为两步迭代法，首先采用LS算法确定模型的线性参数，然后采用LM算法调整模型的非线性参数。该算法避免了Gauss-Newton算法的二阶微分问题，克服了最速下降算法的数值不稳定问题，并可显著提高WNN模型的训练收敛速度。6）小波在动态时延模糊WNN模型中应用于两个方面：○1采用离散小波包变换（DWPT）技术对传感器数据去噪，加快了结构系统识别模型的训练收敛速度，并明显提高了模型的识别精度。○2将小波函数作为神经网络的激活函数，结合模糊聚类技术构造模糊WNN模型，该模型可以有效而精确地捕捉时间序列传感器数据的动态特征。7）基于结构非参数系统识别的动态时延模糊WNN模型、以及伪谱方法，提出了环境激励下大型复杂结构的损伤识别方法。该方法的识别结果为选定子结构内的结构局部损伤，通过选定一系列的子结构可识别出结构的所有损伤，具有结构全局和局部损伤识别能力；损伤指标以不同频段的形式感知损伤，包含了丰富的损伤信息；不需对损伤指标凭经验设定阀值判断结构是否发生损伤，只要损伤指标大于零，就可确定结构发生了损伤，且具有很高的损伤灵敏度；外部动态荷载只是用来对结构进行充分激励，而不需对荷载谱进行量测，因此可对环境激励下的工程结构进行损伤识别，具有较高的工程适应性。

全文目录

摘要  4-6
Abstract  6-12
第一章绪论  12-30
  1.1 引言  12
  1.2 结构损伤识别的研究概况  12-14
    1.2.1 问题提出  12-13
    1.2.2 结构损伤识别的早期研究  13-14
  1.3 结构损伤识别的研究现状  14-27
    1.3.1 基于模态的损伤识别  14-17
    1.3.2 基于模型修正的损伤识别  17-19
    1.3.3 基于概率统计的损伤识别  19-22
    1.3.4 基于小波分析的损伤识别  22-24
    1.3.5 基于神经网络的损伤识别  24-27
  1.4 小波神经网络的研究现状  27-28
    1.4.1 小波神经网络的构造  27
    1.4.2 小波神经网络的学习过程  27-28
    1.4.3 小波网神经络的收敛性能  28
  1.5 论文主要研究内容  28-30
第二章小波理论及神经网络基本原理  30-48
  2.1 引言  30
  2.2 小波分析理论  30-40
    2.2.1 小波函数  30-31
    2.2.2 连续小波变换  31-32
    2.2.3 时频局部化特性  32-34
    2.2.4 离散小波变换及多分辨率分析  34-38
    2.2.5 Mallat 算法  38-40
  2.3 神经网络的基本原理  40-47
    2.3.1 人工神经元模型  40-41
    2.3.2 神经网络的拓扑结构  41-42
    2.3.3 神经网络的学习规则  42
    2.3.4 BP 神经网络  42-43
    2.3.5 BP 算法  43-45
    2.3.6 BP 网络的局限性  45-46
    2.3.7 径向基函数神经网络  46-47
  2.4 本章小结  47-48
第三章小波神经网络的优化改进  48-57
  3.1 引言  48
  3.2 小波神经网络简介  48-49
  3.3 小波神经网络模型需考虑的问题  49-51
  3.4 小波框架  51-52
  3.5 修正 GRAM-SCHMIDT 算法  52-54
  3.6 动态时延小波神经网络模型  54-55
  3.7 小波神经网络的小波数量优化  55-56
  3.8 本章小结  56-57
第四章结构系统识别的动态模糊小波神经网络  57-75
  4.1 引言  57-58
  4.2 小波包去噪  58-61
    4.2.1 小波包  59-60
    4.2.2 离散小波包去噪  60-61
  4.3 构造去噪数据的状态空间向量  61-63
  4.4 构造动态时延模糊小波神经网络模型  63-67
    4.4.1 构造模糊小波神经网络模型  63-65
    4.4.2 构造动态时延模糊小波神经网络模型  65-67
  4.5 训练动态时延模糊小波神经网络模型  67-68
  4.6 模糊小波神经网络模型验证  68-74
    4.6.1 结构实例  68-69
    4.6.2 数据去噪  69-70
    4.6.3 构造动态时延模糊小波神经网络模型  70-71
    4.6.4 训练动态模糊小波神经网络模型  71
    4.6.5 测试动态模糊小波神经网络模型  71-74
  4.7 本章小结  74-75
第五章动态模糊小波神经网络的训练方法  75-91
  5.1 引言  75
  5.2 动态时延模糊小波神经网络模型  75-77
  5.3 自适应 LM-LS 学习算法  77-81
    5.3.1 误差目标函数  77
    5.3.2 混合 LM-LS 算法  77-79
    5.3.3 回溯不精确线性搜索算法  79-80
    5.3.4 收敛准则  80-81
  5.4 结构系统识别的 LM -LS 算法  81-83
  5.5 结构应用实例  83-90
    5.5.1 结构实例  83-85
    5.5.2 数据去噪  85-86
    5.5.3 构造模糊小波神经网络模型  86
    5.5.4 训练模糊小波神经网络模型  86-87
    5.5.5 系统识别结果  87-90
  5.6 本章小结  90-91
第六章基于动态模糊小波神经网络的结构损伤识别  91-114
  6.1 引言  91-92
  6.2 大型复杂结构的测量子结构  92-93
  6.3 损伤识别的动态模糊小波神经网络模型  93-94
  6.4 基于伪谱的损伤识别方法  94-98
    6.4.1 伪谱定义  95-96
    6.4.2 伪谱性质  96
    6.4.3 基于伪谱的损伤指标  96-98
  6.5 损伤识别模型验证  98-104
    6.5.1 结构实例  98-99
    6.5.2 构造动态时延模糊小波神经网络模型  99
    6.5.3 训练动态模糊小波神经网络模型  99
    6.5.4 损伤识别  99-104
  6.6 桥梁结构加固实例  104-112
    6.6.1 工程概况  104-106
    6.6.2 主要病害  106-108
    6.6.3 测点布置  108
    6.6.4 数值仿真  108-110
    6.6.5 构造动态模糊小波神经网络模型  110
    6.6.6 训练动态模糊小波神经网络模型  110
    6.6.7 损伤识别  110-112
  6.7 本章小结  112-114
结论  114-117
参考文献  117-132
攻读博士学位期间取得的研究成果  132-133
致谢  133

基于小波神经网络的结构损伤识别方法研究

内容摘要

全文目录

相似论文