论文部分内容阅读
结构损伤识别(Structural damage detection,SDD)作为实现结构健康监测(Structural health monitoring,SHM)技术的关键步骤倍受关注。本文主要针对模型修正方法中目标函数优化、结构损伤的稀疏表示、蚁狮优化(Ant lion optimizer,ALO)算法的性能优化等问题,以数值仿真和实验验证相结合的方式,对结构损伤识别进行系统研究。主要研究工作包括:(1)对结构损伤识别方法进行了全面的综述。根据识别方法的适用范围,将结构损伤识别方法分为两大类,即局部检测法和基于振动信息的整体检测法。其中,局部检测法主要包括目测检测法和仪器检测法;基于振动信息的整体检测法主要包括基于动力指纹、信号特征和模型修正三大类方法。最后,对各类方法的优缺点、应用前景及存在问题等,分别进行了相应综述。(2)结合ALO算法,提出基于目标函数加权策略和迹稀疏正则化的结构损伤识别方法。根据不同模态参数(频率、振型)之间的损伤灵敏度差异,在目标函数中对不同模态参数的定量函数进行合理加权,以提高损伤识别精度。根据结构损伤在物理空间上的稀疏特性,在目标函数中施加迹稀疏约束,以有效提取损伤识别结果的稀疏表示信息,并提高损伤识别方法的抗噪鲁棒性。与传统目标函数比较,所提目标函数能够获得更加稳定的损伤识别结果,且能够有效提高结构损伤识别方法的识别精度与抗噪鲁棒性。数值仿真和模型实验的结果表明:所提方法能够有效且准确地识别结构损伤。(3)结合目标函数加权策略和迹稀疏正则化,提出基于多目标蚁狮优化(Multi-objective ant lion optimizer,MOALO)算法的结构损伤识别方法。该方法针对结构损伤识别中多目标优化问题,将MOALO算法引入到结构损伤识别研究领域。与ALO算法比较,MOALO算法的寻优性能更强,能够进一步提高损伤识别精度。两层刚架的数值仿真分析结果表明:所提新方法能够进一步提高损伤识别精度,进而实现有效且准确的结构损伤识别。(4)结合目标函数加权策略和迹稀疏正则化,提出基于混合ALO-INM算法的结构损伤识别方法。针对传统群智能算法在求解结构损伤识别问题时全局寻优性能不足的问题,基于ALO算法和改进后的Nelder-Mead(Improved Nelder-Mead,INM)算法,提出了混合ALO-INM算法。通过对三个经典基准函数的计算,证明了混合ALO-INM算法的全局寻优性能和稳定性明显强于ALO算法。进一步地,通过两个数值算例和模型实验验证,结果表明:所提新方法能够进一步提高结构损伤识别方法的识别精度与抗噪鲁棒性,实现更准确且稳定的结构损伤识别。(5)结合混合ALO-INM算法和目标函数加权策略,提出基于模态应变能(Modal strain energy,MSE)的结构损伤识别两步法。针对实际工程应用中损伤位置未知的情况,计算结构损伤前后结构单元的模态应变能变化率(Modal strain energy change ratio,MSECR),以定位结构的潜在损伤,并将结构的潜在损伤单元作为混合ALO-INM算法的优化参数,最终求解结构损伤识别问题的目标函数。数值仿真算例结果表明:所提结构损伤识别两步法能够有效降低结构损伤识别的计算成本并能进一步提高损伤识别精度。