论文部分内容阅读
在结构健康监测领域,基于结构模型和动力指纹的损伤检测已成为研究的热点。然而,现实中的结构常受到诸多不确定因素的影响,基于结构响应提取的特征会受到各种噪声的干扰,使得基于模式识别的损伤检测仍具有较大的应用难度。近年来,基于机器学习的损伤识别研究受到广泛的关注,其中一类研究方向是利用机器学习算法对结构的动态响应进行特征提取,学习结构动力特性变化与结构损伤位置乃至损伤程度的相关关系,从而达到损伤识别的目的。这些研究大多采用结构在随机白噪声下的动力响应时程信号或经过特征提取后的基频振型等模态特性作为机器学习算法的输入。然而用白噪声无法真实地模拟结构受到的环境激励,另一方面,结构的原始动态响应时程对于结构的损伤表征并不直观,而基频振型等模态数据不仅需要进行繁杂的特征值提取,而且可能在特征提取的过程中丢失大量信息。基于以上不足,本文提出了一种基于卷积神经网络(CNN)的利用结构响应的空间和频域信息的损伤识别方法,该方法不需要复杂的特征提取过程,只需将桥上各点的响应转换到频域并根据空间位置排列成矩阵,即可利用CNN实现损伤的自动识别。CNN是一种深度神经网络,它通常由卷积层、池化层和全连接层组成。利用作者所在课题组自行编写的向量式有限元(VFIFE)程序构建桥梁的数值模型,以快速地生成训练集和测试集中数万个损伤和无损样本。对脉动风速进行数值模拟并计算其在桥上产生的抖振力,并将该抖振力而非白噪声作为激励对系杆拱桥的吊杆进行了损伤识别的数值模拟研究。本文的主要研究内容如下:(1)完成了基于向量式有限元的拱桥模型建模,并对比Midas Civil软件搭建的拱桥模型的频率与模态,验证向量式有限元模型的准确性。(2)通过模拟多元随机过程模拟出拱桥上各节点的脉动风速时程,从而计算作用在拱桥上各点抖振风力时程。(3)介绍了 CNN的基本原理与训练过程,利用TensorFlow搭建自行设计的CNN,采用了多种正则化方法以预防过拟合以及提高CNN的泛化能力。(4)利用搭建好的CNN,将桥面各点的加速度响应的傅立叶幅值谱(FAS)排列成矩阵作为CNN的输入,实现损伤识别。数值结果表明,目前使用FAS数据的CNN在不同损伤状态下的性能优于使用时程数据的CNN和使用FAS的传统反向传播(BP)神经网络。经验证,本文提出的损伤识别算法在不同观测噪声和风速水平下具有较高的鲁棒性。