结构健康监测传感器优化布置的混合算法

提出了一种基于模型减缩和线性模型估计理论的、用于建筑结构健康监测中传感器布置的新算法．根据选定的主、从自由度，用改进减缩系统方法来减少初始结构的自由度数目．然后，基于线性模型估计，以所选定的目标模态为线性模型的设计矩阵，用奇异值分解处理设计矩阵．用分解后的前几个左奇异向量计算每一个自由度对于结构模态的贡献．最后用迭代算法来确定所需的传感器数量和位置．算例表明，此种混合算法适用于建筑结构监测的传感器布置计算．     

基于损伤可识别性的传感器优化布置方法

为了满足结构健康监测和损伤识别的要求,提出了一种以损伤可识别性与模态可观测性相协调为目标的传感器优化布置方法.考虑损伤导致的结构响应变化,由结构运动方程推导出了结构响应与振型和损伤灵敏度之间的解析关系式.根据Fisher信息熵原理,建立了同时包含模态独立性信息和损伤灵敏度信息的目标函数.利用奇异值分解技术,发展了以Fisher信息矩阵最大和条件数最小为准则的迭代算法.算例分析表明,所提方法有效地克服了基于模态可观测性和基于损伤可识别性的传感器优化布置结果存在的差异,利用其优化结果进行的损伤识别比单一目标的结果具有更高的精度.     

海洋平台立管的传感器优化布置

为了满足海洋平台结构健康监测和损伤识别的要求,提出了一种以协调模态可观测性与损伤可识别性为目标的传感器优化布置方法。首先根据结构运动方程,利用损伤导致结构响应的变化,推导了结构响应与模态、损伤灵敏度的近似解析解。其次,建立包含模态信息和损伤灵敏度信息的传感器优化数学模型。最后利用奇异值分解方法,发展了一种以信息矩阵最大和条件数最小为目标的迭代算法。海洋平台立管的数值算例表明:该方法能够为海洋平台立管的健康监测提供可行的布点方案。     

基于分布式无线智能传感器网络的结构模态识别

利用美国伊利诺伊大学结构健康监测项目组研制的ISM400无线智能传感器,分别采用分布式和集中式数据采集方法,对一个简支层压板进行了振动测试试验.采用自然环境激励技术(NExT)和特征系统实现算法(ERA)相结合的一种时域联合算法,仅利用输出信号对结构模态参数进行识别,并将识别结果与有限元模型的计算结果进行了对比分析.根据分布式与集中式两种数据采集处理方法识别的振动频率和模态振型,与有限元数值模拟结果吻合较好,验证了基于分布式数据采集的无线智能传感器网络在结构模态识别中的可行性.在大型土木工程结构需要布置大量传感器时,分布式无线智能传感器网络因其高度集成化和节约电源等优点,比采用传统的集中式数据采集方法更加高效实用.     

基于混合算法的机翼多功能盒段传感器优化布置

采用混合传感器优化布置算法,将其应用在某多功能机翼盒段模型的结构健康监测试验中。用有限元方法进行模态分析,运用混合算法得到传感器的布置方案。通过有效独立法确定传感器的初始测点,然后利用MAC法确定传感器的数量,最终得到传感器的布置方案。对已完成传感器布置的机翼盒段进行拉拉疲劳试验,采用作者提出的损伤特征量构造方法进行结构健康监测。结果表明,采用混合算法布置的传感器可以有效采集结构信息,满足在实际工程中的应用要求。     

利用粒子群算法的传感器优化布置及结构损伤识别研究

为了合理布置结构健康监测系统中传感器的位置及满足结构损伤识别的要求,提出了一种基于改进粒子群算法的传感器优化布置方法。首先以模态保证准则(MAC)矩阵的最大非对角元极小化为目标,构造出满足优化条件的适应度函数,并采用改进的粒子群算法搜索出传感器的最佳布设位置;其次,利用振型扩充技术把有限测点的测量模态数据扩充为完整自由度模态数据,并利用所提损伤识别方法进行结构损伤识别;最后,通过一个二维平面桁架结构算例对所提方法进行有效性验证。数值结果表明,所提传感器布设方法能够高效地搜索出给定数目的传感器优化位置,且利用其优化结果能够准确地识别出结构的损伤位置和程度。     

基于无线传感器网络的斜拉桥模型动力特性分析

通过建立斜拉桥模型的振动试验系统,探讨利用无线传感器网络进行斜拉桥模型结构动力特性研究的可行性。以有线加速度传感器试验系统为参考,使用特征系统实现算法和频域分解法对无线传感器网络实验数据进行了结构模态参数识别,提取的模态参数与有线试验分析结果基本一致。基于Imote2节点的无线传感器网络采集的数据可靠,传输过程无数据丢失现象,表明该无线传感器网络可应用于桥梁结构动力特性试验研究。试验所用斜拉桥模型基本振型为主梁竖向弯曲,模态比较密集,符合斜拉桥特性。     

针对结构易损场景监测的传感器优化布置方法

基于结构易损性指数和结构体系的损伤系数定义了结构失效指标,该指标可用来判断易损场景发生后结构体系的失效状态.在特征向量灵敏度分析的基础上推导了该指标在模态参数不确定性影响下的估计方差,并且以所有易损场景下指标的方差和最小为优化目标,提出了以监测结构易损场景为目的的传感器优化布置模型,以及基于凸规划的求解算法.采用该方法对一个平面桁架结构的数值模型进行了传感器布置,并且根据模拟的受损结构的模态数据,计算了不同传感器布置方案下结构失效指标的均值和方差.结果表明,与传统方法相比,该方法可以提高对易损场景发生后结构失效状态的评估精度.     

基于深度学习和IHPO的桥梁结构模型修正方法

针对桥梁结构模型修正中实测振型不完备的问题,基于简支梁动力试验,利用卷积神经网络强化实测非完备振型,联合强化后的完备振型和实测频率构建目标函数,采用改进的猎食者优化算法修正结构有限元模型,并与用实测非完备振型和频率构建目标函数进行模型修正的方法进行对比。结果表明：基于深度学习和改进猎食者优化算法修正的简支梁结构有限元模型的前4阶频率与实测值误差均小于0.5%,振型的模态置信准则值均大于0.99,且模型修正的平均消耗时间比使用实测非完备振型进行模型修正时少45%;所提出的方法具有更高的精度和效率,且传感器数量仅为4个时12单元简支梁也能获得精确的模型修正结果。     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。