论文部分内容阅读
在实际工程中,一般结构的使用年限都可长达五十年或以上,结构在其使用寿命期内,由于会受到各种不确定性因素的作用,将不可避免地出现损伤累积。若不及时对结构进行检测和维护,结构损伤积累到一定程度将会导致其丧失使用功能,甚至会酿成重大灾难性事件。正因如此,如何确定结构损伤位置及其损伤程度将具有重要的理论指导意义和工程实践价值。小波分析作为目前国际上公认的时频分析工具,既能观察到信号的全部面貌也可以分析信号的各个细节,非常适合识别正反信号间的细微差别,因此,小波分析可被用来识别结构的损伤位置。粒子群优化算法是一种源于鸟类寻找食物的循环迭代寻优方法,它能够通过粒子间的团结与共享来寻找在复杂空间中的某一个最优点。由于粒子群优化算法有简单、容易实现、全局搜索能力强、收敛速度快且具有较少可调参数的优点,所以对结构的损伤程度识别具有较好效果。在本文中,通过将两种方法相结合,首次提出了小波-粒子群优化算法概念。采用小波-粒子群优化算法识别结构损伤的过程中,首先通过有限元分析软件建立了存在损伤的结构模型,并获取结构模态参数。然后在小波分析中选取DB小波对模态参数做小波变换,获得小波系数图。小波系数图中的突变位置即对应着框架结构的损伤位置。在计算结构损伤程度之前,本文先基于结构的频率和模态振型建立了粒子群优化算法的适应度函数,并编制了粒子群优化程序,在计算结构损伤程度的过程中以适应度函数最小为标准进行搜索。在经过粒子群优化算法对所需求解问题多次迭代优化计算后,程序的输出结果就为结构的损伤程度。为了验证本文方法有效性,本文分别采用小波粒子群优化算法与小波神经网络算法来识别一层一跨框架结构的损伤,这两种方法首先都是通过小波分析来确定结构的损伤位置,然后在分别采用粒子群优化算法以及神经网络算法计算该框架的损伤程度。在对两种方法的识别数据进行对比后发现,小波粒子群优化算法对结构损伤程度的识别精度更高。本文采用小波粒子群优化算法研究了含多种损伤的两层一跨框架结构、两层两跨框架结构的损伤识别问题,数值模拟结果再次证明了该方法的准确性。因此,本文方法对工程结构的损伤识别具有参考价值。