基于小波神經網絡的結構損傷識別方法研究.pdf

1、由于年代的久遠和環(huán)境的影響，許多工程結構呈現出老化現象，個別的構件出現損傷甚至斷裂，結構在損傷積聚下一旦發(fā)生潰塌，會對國家和人民的生命財產造成極大的損失。因此，對工程結構進行損傷識別具有重大的學術、經濟和社會意義。本文利用小波變換對時間序列的時間和頻率定位能力、小波函數具有的空間域縮放屬性，以及神經網絡具有的捕捉非確定性性質和復雜非線性的能力，結合模糊聚類技術，提出了結構非參數系統(tǒng)識別的動態(tài)時延模糊WNN模型，然后基于偽譜方法，提出了環(huán)

2、境激勵下大型復雜結構的損傷識別方法，并結合理論分析、數值模擬及試驗方法，對結構損傷識別進行了系統(tǒng)和深入的研究。本文主要研究內容如下：
　　1）基于非正交小波——Mexican hat小波，構造了動態(tài)系統(tǒng)函數逼近的動態(tài)時延WNN模型，該模型可以任意逼近瞬時非線性函數，并利用動態(tài)時延WNN模型在小波設計中的靈活性，添加了額外功能，如函數逼近中理想的平移參數調整。
　　2）基于混沌理論的重構狀態(tài)空間概念構造動態(tài)時延 WNN的輸入向

3、量，該向量保留了時間序列數據的動態(tài)特性，可以識別結構系統(tǒng)的非物理參數（如結構的動態(tài)響應）。然后利用FNN方法確定動態(tài)時延 WNN輸入向量的最佳嵌入維數，以及修正Gram-Schmidt算法和AFPE準則確定WNN隱層節(jié)點的最佳數量，減小了WNN模型的規(guī)模，提高了模型的計算效率和識別精度。
　　3）將具有空間域縮放屬性的小波函數應用于動態(tài)時延 WNN模型，它僅在輸入時間序列的有限范圍影響模型輸出，這種屬性減少了WNN節(jié)點之間的不良影

4、響，提高了函數逼近的精確度，加快了WNN的訓練收斂過程。
　　4）基于NARMAX方法，將重構狀態(tài)空間向量的模糊聚類與非正交WNN相結合，構造了結構非參數系統(tǒng)識別的動態(tài)時延模糊WNN模型。該模型可有效而精確地捕捉時間序列傳感器數據的動態(tài)特征，并可克服傳統(tǒng)WNN模型在處理存在局部不準確的訓練數據時，由于相同的空間域縮放屬性易導致的較大局部輸出誤差問題。
　　5）采用自適應LM-LS混合學習算法訓練動態(tài)時延模糊WNN模型，訓練過

5、程為兩步迭代法，首先采用LS算法確定模型的線性參數，然后采用LM算法調整模型的非線性參數。該算法避免了Gauss-Newton算法的二階微分問題，克服了最速下降算法的數值不穩(wěn)定問題，并可顯著提高WNN模型的訓練收斂速度。
　　6）小波在動態(tài)時延模糊 WNN模型中應用于兩個方面：○1采用離散小波包變換（DWPT）技術對傳感器數據去噪，加快了結構系統(tǒng)識別模型的訓練收斂速度，并明顯提高了模型的識別精度?！?將小波函數作為神經網絡的激活函

6、數，結合模糊聚類技術構造模糊WNN模型，該模型可以有效而精確地捕捉時間序列傳感器數據的動態(tài)特征。
　　7）基于結構非參數系統(tǒng)識別的動態(tài)時延模糊 WNN模型、以及偽譜方法，提出了環(huán)境激勵下大型復雜結構的損傷識別方法。該方法的識別結果為選定子結構內的結構局部損傷，通過選定一系列的子結構可識別出結構的所有損傷，具有結構全局和局部損傷識別能力；損傷指標以不同頻段的形式感知損傷，包含了豐富的損傷信息；不需對損傷指標憑經驗設定閥值判斷結構是否