论文部分内容阅读
结构健康监测技术己经成为土木工程领域研究的热点,对已建成的建筑结构设施的健康状态采取有效的措施进行诊断、准确评估和预示,具有重要的科学理论意义和工程应用价值。本文以结构健康监测与智能诊断为目的,研究了结构的损伤特征提取、智能诊断和趋势预测。从结构损伤特征提取的角度出发,提出了一种基于EEMD和小波包变换的结构损伤特征提取方法。首先对原始信号进行EEMD分解,提取包含结构损伤信息的IMF分量,再对其进行正交小波包分解,并计算小波包相对能量分布进行ASCE结构损伤特征提取。实验证明：(1) EEMD方法应用了白噪声的剔除特性,可避免模式混叠的发生；(2)不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,因而可以作为一种理想的指标来表征结构损伤特征。为解决损伤诊断中样本缺乏的问题,提出了一种基于支持向量机的智能诊断方法。将结构振动信号进行EEMD分解后提取反映损伤信息的IMF经小波包分解后的频带能量作为特征,输入到多分类的SVM中,对结构的损伤进行诊断。该方法在学习样本数较少的情况下仍然具有较好的适应性和分类能力；选取径向基核函数取得了较高的诊断精度；但是,对于同一损伤源,采用不同节点的信号分析时,SVM的识别正确率不同。针对单一节点信号进行损伤诊断的不确定性和片面性,提出了一种基于多传感器特征融合的SVM智能诊断方法。研究结果表明：多传感器特征融合能够使不同传感器采集的信息得到充分利用,减小了损伤检测信息的不确定性和片面性,从而提高了损伤诊断准确率。土木结构的损伤在理论上是一个渐进过程,为了能够有效地监测这个损伤过程,研究了一种基于EEMD和HT变换的结构渐进损伤特征提取方法。首先对原始信号进行EEMD分解,提取包含结构损伤信息的IMF分量,再对其进行HT变换计算瞬时频率。对单自由度模型和多自由度模型结构刚度渐进损伤进行了仿真实验,并把这一方法应用到实际工程中。研究表明：结构损伤前后瞬时频率会发生明显的变化,并且可以准确地体现结构刚度变化的趋势,从而反映结构健康状态的发展趋势。为了解决结构早期损伤难以正确识别的问题,结合EEMD解决随机不确定性问题和SVM解决预测问题这两者的优势,提出了一种基于EEMD特征提取的SVR结构状态趋势预测方法。通过在结构工程仿真数据和实际振动数据中的预测研究表明：该方法可以准确地、高精度地预测结构状态趋势。