随着科技与工业的进步,复杂结构是当下的发展趋势。这些结构特别容易在环境中受到种种不确定性因素的作用,将不可避免地出现各种损伤累积。未被检测到的损伤将有可能改变结构的强度和刚度,造成一定程度的损伤积累,最后将致使突发性失效,对人们造成经济和精神的双重损失。故运用健康监控和损伤识别等手段来预防结构失效的风险,有其理论上的科学意义和工程上的应用价值小波分析是一种在时域和频域上的分析手段,能够有效地识别信号的奇异性,故依据信号图中奇异点位置可识别出结构的损伤位置。超限学习机算法是一种新型优化的神经网络,只要设置隐层节点数,网络权值及算法隐含层的偏置一经被随机确定,则在整个训练过程中不用调整,最后能得到全局唯一的最优解。本文综合了小波分析和超限学习机算法的各自优势,提出了一种基于小波-超限学习机算法的结构损伤识别方法。本文的主要研究内容如下:1.本文将小波分析和超限学习机算法相结合用于研究结构损伤识别问题。采用两阶段识别结构损伤的模式,给出了小波分析和超限学习机的原理,建立了相应的小波-超限学习机算法的结构损伤识别方法。该方法弥补了小波分析的不足,有效提高了损伤识别的计算效率。2.将小波变换奇异性用于结构损伤位置的识别。利用有限元方法建立含损伤的结构模型,以此获取结构模态参数。通过对模态参数做小波变换来得到小波系数图谱,可知图谱中奇异点位置即是结构损伤的位置。3.将超限学习机算法应用于结构损伤程度的识别。小波系数模极大值与损伤程度经过超限学习机训练可产生一种非线性映射关系,依靠这种关系从而识别出结构的损伤程度。文中简述了超限学习机在选择和调整参数的方式上采用的最小二乘法优于传统神经网络的梯度下降法,以至于其学习速度快和网络泛化性能强等优点。4.为了进一步验证小波-超限学习机算法识别损伤的可行性,故对含多处损伤的梁和框架结构分别进行损伤识别研究。数值模拟结果证明了小波-超限学习机算法能够准确地识别结构损伤。故本文建立的小波-超限学习机算法在工程应用上有参考价值。