论文部分内容阅读
由于大跨度空间网格结构具有造型优美、力学性能良好等优点,在近几十年来,其发展迅速、应用广泛。但是大跨度空间网格结构本身的造型、受力均比较复杂,在服役期间,其本身的材料性能会发生退化,再加上大自然的风、雪、雨、雷电等环境作用的影响,结构会不可避免地产生疲劳效应、材料老化,这些都会对结构的安全产生威胁。因此,对大跨度空间网格结构而言,健康监测工作就显得尤为重要。传感器的优化布置是构建一个结构健康监测系统时,所面临的首要问题之一。一方面,考虑到经济原因,加速度传感器的单价昂贵;另一方面,大跨度空间结构具有杆件、节点数目多,自由度多,有限元模型精度偏低的特点,而且存在较严重的模态局部化和跃迁现象。因此如何将有限数量的传感器布置在合理的位置上,以提高结构的信号采集效率和损伤识别精度,成为健康监测领域的研究热点。本文对一个凯威特型单层球面网壳模型进行冲击试验,基于粒子群算法优化加速度传感器布点,获得加速度响应信息,利用Levenberg-Marquardt(L-M)算法神经网络对试验中的损伤工况进行识别。主要工作如下:(1)总结归纳了国内外常用的传感器布置技术以及损伤识别方法,并简述了它们各自的优缺点。(2)较详细地介绍了粒子群算法和L-M算法的基本原理及其应用。粒子群算法具有操作简单、收敛速度快,无需调整许多参数,运算效率高的特点;L-M算法具有训练速度快、不易陷入局部极小的特点。另一方面,介绍了如何将粒子群算法和L-M算法应用于健康监测系统,包括:基于粒子群算法的传感器优化布置方法的实现流程,以及基于L-M算法的网壳结构损伤识别方法的具体实现过程,以期获得一个更有效的网壳结构健康监测系统。(3)以一个缩尺比例为1:10的凯威特型单层球面网壳为试验模型,构建了9种试验损伤工况,基于粒子群算法的加速度传感器优化布置方案,采用单点激励多点响应的采样方式,进行顶部球节点冲击试验,获得不同损伤工况下,各测点的加速度响应值,利用L-M算法对网壳结构损伤工况进行识别,同时,对基于粒子群算法的传感器优化布置方法展开研究。具体工作包括:①将试验模型与有限元模型的前20阶频率作对比,发现误差在4%之内,同时由模态分析得到的有限元模型前4阶振型符合网壳结构振动特性,说明所采用的网壳试验缩尺模型具有一定的可靠性。②针对不同阶数的模态振型,不同的传感器数目,基于粒子群算法所得到的传感器优化布置位置有所不同,但是结果具有对称性和继承性,这与网壳结构本身的对称性,以及测点最优布设理论逻辑相一致;当参与计算的振型阶数不同,传感器个数相同时,所得到的适应度函数曲线表明:粒子群算法实现了较早的收敛,并且保持收敛,直至达到最大迭代次数;当参与计算的振型阶数相同,传感器个数不同时,适应度值会随着传感器数量的增加而减少,这与布置传感器时具有的一般规律是一致的,即传感器的数量越多,得到的结构响应所反映的信息就越全面。综上,基于粒子群算法的传感器优化布置方法具有一定的合理性、收敛性和高效性。③考虑前16阶振型6个加速度传感器,基于粒子群算法得到传感器优化布置位置,采用L-M算法的神经网络进行网壳损伤识别,可以成功地识别出全部的测试损伤工况;另一方面,还考虑了三种不同的传感器布置方案,包括:不同的传感器布置位置、不同的传感器个数以及应力最大位置,基于L-M算法的神经网络对测试损伤工况进行识别,结果均未完全识别成功,进一步验证了基于粒子群算法的传感器优化布置方法的可行性和有效性。