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和断裂。因此,及时、准确地发现这些损伤并采取相应的维修形式是十分必要的,这有助于提高结构的安全性和可靠性,减少维护费用。 传统的傅立叶变换只能确定一个函数奇异性的整体性质,而难以确定奇异点在空间的位置及分布情况。小波变换具有在时域和频域局部放大性质。本文在构造一种新的基本小波的基础上,将小波分析和神经网络相结合,对结构损伤时刻、位置和程度进行了识别研究。论文的主要内容如下： (1)根据结构的动力响应特性,提取结构损伤时的信号,由此特性构造了适合结构损伤分析的指数小波,并验证了该小波具有偶数项的消失矩的特点,其自适应能力很强。从Lipschitz指数出发,通过分析白噪声和信号小波变换的特征,给出了损伤信号检测及去噪的原理。数值计算表明,利用该小波进行结构损伤检测是有效性的,能够对结构损伤进行预警。 (2)从模式识别的角度,采用具有高频分辨率的小波包变换,分析了结构损伤信号换特征。通过计算小波包分解树上不同节点处的系数节点能量和信号成份节点能量,能够把时域无限的测试振动信号降维获得有限个节点能量特征指标。利用曲率模态进行损伤检测的原理,提出将小波包曲率能量变化率作为损伤指标。通过对梁和桁架结构进行数值模拟,验证了采用该损伤指标的有效性。 (3)基于上述构造的小波,将小波分析和神经网络结合起来,对结构损伤确认、定位及损伤程度进行了定量分析。通过将损伤前后小波包曲率能量的变化率作为小波神经网络的输入信号,获得比传统的BP神经网络有更快的收敛速度。数值计算表明,无论是对单一损伤识别还是多损伤识别,识别的最大误差不超过10％,由此表明采用该方法对结构损伤信号的识别是可行的。 (4)采用小波分析对结构损伤的原始信号进行降白噪预处理,以构造的小波作为最小二乘支持向量的核函数,采用小波包曲率能量变化率作为网络的输入进行网络训练。通过模拟结构的单一损伤和多处损伤,结果表明,采用新构造的小波和最小二乘一支持向量机的结合,对于在很高的信噪水平也能清晰地识别出结构的损伤程度,并能够很好的适应结构参数的变化,表现出很强的鲁棒性和泛化能力。其识别程度均优于传统BP神经网络和RBF径向神经网络。