论文部分内容阅读
随着越来越多复杂大型建筑物投入使用,单纯的考虑设计及施工过程的安全性已经不再足够,更需要实时对服役中的结构健康情况做出评价。因此结构健康监测技术成为了近年来土木工程领域的研究热点,目前,结构健康监测系统已经在许多实际的工程项目中得以应用,起到实时预警,保证安全的作用。而健康监测最核心的技术是对结构损伤状况进行识别,结构参数识别技术则是结构损伤诊断的基础,因此对结构参数进行识别具有广阔的应用前景。相较于模态参数识别,直接识别物理参数的方法更加直观,而最常用的结构物理参数识别方法就是扩展卡尔曼滤波方法。传统的扩展卡尔曼滤波在识别时变的结构参数时,其跟踪性能较差,为了解决这个问题,引入遗忘因子,但是选用常遗忘因子,其值的选择对识别结果有较大影响;自适应方法跟踪性能强,但是计算比较繁琐。本文在总结过去学者研究成果的基础上,引入了强跟踪扩展卡尔曼滤波方法用于识别时变的结构物理参数,主要进行了以下工作:(1)详细介绍了卡尔曼滤波的基本原理并推导出递推公式;针对物理参数识别问题,提出了适用于非线性系统的扩展卡尔曼滤波方法,给出了其算法流程;介绍了加权整体迭代的方法保证识别结果的稳定收敛;编写了识别方法程序,并分别对单自由度、多自由度及线性、非线性的结构进行了数值仿真,其中非线性迟滞系统采用了Bouc-Wen模型描述滞回曲线。数值仿真的结果表明,扩展卡尔曼滤波对于不同的结构系统均可以有效识别结构物理参数。(2)为了解决扩展卡尔曼滤波无法识别时变物理参数的局限性,引入强跟踪滤波方法,该方法通过引入一个渐消因子实时修正预测误差协方差矩阵,增大卡尔曼增益,保证滤波能够有效追踪参数的变化,具有极强的鲁棒性,且计算量适中,可以有效对时变的结构物理参数进行识别。编写了识别方法程序,对结构刚度突变的不同结构体系,利用强跟踪扩展卡尔曼滤波方法进行仿真识别。识别结果证明,强跟踪方法可以有效的识别出系统参数的变化。与此同时,针对输出信息不完备状况,对不同工况进行研究,指出了信息不完备状况下,该方法依然具备实用性。(3)为了验证强跟踪扩展卡尔曼滤波方法在实际工程中的实用性及有效性,将方法应用于一个12层钢筋混凝土框架的振动台试验,利用试验得到的加速度地震响应作为输入输出数据,对不同工况下结构模型的物理参数进行了识别,给出了各个工况下的模型各层刚度及阻尼识别结果,并与试验破坏现象及模态分析结果进行了对比,分析了模型结构在不同地震动输入下的损伤情况,验证了方法识别物理参数及结构损伤。