基于自回归条件异方差转换指标的非线性损伤识别

为了解决时域非线性损伤的识别问题，基于自回归条件异方差（ARCH）模型的基本理论给出了ARCH模型建模的定阶方法及模型参数估计的极大似然估计法；分析了结构非线性损伤的特性，提出了基于ARCH模型的非线性损伤识别原理；考虑到基于自由度的损伤指标难于判断损伤位置，故提出了一种自回归条件异方差转换指标；在测量误差和模型误差的影响下，使用3层框架结构的非线性损伤试验来验证该损伤指标的有效性. 试验结果表明:非线性间隙距离为0.05 mm和0.10 mm时，损伤位置第3层的自回归条件异方差转换指标值比传统的倒谱测距转化指标值高21.7%以上；当非线性间隙距离为0.20 mm时，第3层的自回归条件异方差转换指标值比倒谱测距转化指标值高3.7%.      

基于刚度指标和频率的结构损伤定性定量识别

为解决结构多损伤位置识别和损伤程度判定问题,提出了一种基于刚度指标和频率数据的定性和定量识别方法,并分析了测量误差的影响．借鉴柔度损伤指标的方法,用刚度指标对损伤位置进行初步判定,并采用统计理论分析其测量误差的影响;然后利用频率测量精度较高的优势,采用频变法对结构损伤进行定量识别．为进一步提高识别的精度,提出了频变法的迭代改进策略．仿真结果表明,采用刚度指标可以有效地识别出可能的损伤单元,该指标明显优于柔度指标,且受测量误差的影响较小,而利用频变法的迭代改进策略可以得到更精确的损伤程度的量化值．     

基于改进PSO算法的两阶段损伤识别方法

为解决结构多损伤情况下的位置识别和损伤程度判定问题,提出了一种基于改进粒子群优化算法和贝叶斯理论的两阶段损伤识别方法,该方法采用频率和模态应变能作为损伤定位源数据,分别用基于频率改变和基于应变能耗散率的识别方法进行损伤信息的初步提取,再利用贝叶斯融合理论对损伤位置进行较为精确的判定.然后,利用粒子群优化(PSO)算法对损伤位置和程度进行更为精确的二次识别.考虑到简单PSO算法易陷入局部最优解,提出了3种改进措施,即粒子位置突变、最优记忆粒子微搜索和双收敛措施.数值仿真结果表明:采用贝叶斯融合理论可以有效地识别出可能的损伤单元,在此基础上用改进的PSO算法可以更精确地识别损伤的位置和程度,同时采用3种改进措施的PSO算法的识别精度明显优于其他PSO算法和遗传算法.