基于数据融合的结构损伤识别方法研究

《基于数据融合的结构损伤识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：Xl—x810710—20050473IIrrllllJirrllrrll![firrllr!rlllrlrllllplrr!rllljY1525349壤多大海硕士学位论文基于数据融合的结构损伤识别方法研究导师姓名职称申请学位级别论文提交日期学位授予单位黄捷段晨东教授答辩委员会主席学位论文评阅人张周锁副教授马军星副教授摘要土木工程设施在服役期内，由于受到荷载和其它各种突发因素的影响，使结构发生损伤，造成重大的经济损失和人员伤亡。因此，对结构健康状态做出及时有效的诊断、准确评估和预示，具有重要的科学理论意义和工程应用价值。本文研究了基于神经网络和

2、数据融合的结构损伤特征提取及诊断方法。论述了实施工程结构健康监测与损伤诊断的必要性与迫切性，介绍了结构健康监测与损伤诊断的基本概念、系统组成、损伤诊断的方法及研究现状。为了实现结构状态的自动诊断，研究了一种基于小波包特征提取的BP神经网络结构损伤诊断方法。研究表明：与BP神经网络的其它学习算法相比，弹性学习算法收敛较快、耗时较少，识别正确率较高，适合于结构状态的模式分类；但是，对于同一损伤源，采用不同节点的信号分析时，网络的识别正确率和各项性能指标不同。针对单一节点信号进行损伤诊断的不确定性和片面性，研究了基于多传感器数据融合的结构损伤诊断方法，把神经

3、网络方法得到的不同节点的损伤识别结果，通过D．S证据理论进行决策融合，得到综合评价结果。多传感器数据融合，能够使不同传感器的信息相互补充，减小了损伤检测信息的不确定性，使诊断信息具有更高的精度和可靠性，提高了损伤诊断准确率。为了解决证据冲突导致融合结果错误的问题，研究了基于相似性测度的D—S证据理论改进算法，并对本文的数据融合方法进行了改进。在工程振动信号的实验中，克服了传统方法中“一票否决"的问题和不同传感器的诊断结果相差较大时，综合诊断结果偏差较大的问题，从而证明了改进后的诊断方法的可行性。关键词：神经网络损伤诊断数据融合证据理论AbstractD

4、amagewillcomeintoexistenceinthecivilengineeringstructuresduringtheirlifetimewiththeeffectofloadsandotherunknownfactors．Asaresult，itsometimeswillbringaboutsignificanteconomiclossesandpersonnelcasualties．Soitisnecessarytomakeefficientdiagnosis，evaluationandprognosisforthehealthcon

5、ditionofservingstructures．Inthispaperthedamagefeatureextractionanddiagnosistechniquesforengineeringstructurebasedonneuralnetworkanddatafusionarestudied，themainworkandconclusionsaredemonstratedasfollowing：Thenecessityofcivilengineeringstructuralhealthmonitoring(SHM)&damagedetecti

6、onisdiscussedfirstly．ThentheconceptofSHM，damagedetectionandthearchitectureofSHMsystemareintroduced．Moreover，thestructuraldamagedetectiontechniquesandtheirdevelopmentsarereviewed．Toimplementstructureeonditondiagnosisautomatically,astructuredamagediagnosismethodisaddressedbasedont

7、hewaveletpacketanalysisandBPneuralnetwork．Comparedwithotherlearningalgorithms，theelasticityalgorithmconvergesmorequickly,andneedslesslearningtime．Itissuitablefordamagepatternclassificationofstructurecondition．However,therecognitioncorrectrateandperformancesindexofBPnetworkaredif

8、ferentusingsignalsfromdifferentdetectionnodesfo