基于桥梁动力响应差和提升小波变换识别梁桥损伤

基于损伤桥梁在移动车辆荷载下的动态响应特点以及提升小波变换在奇异性检测方面的优越性能,提出了对不同大小移动车辆荷载作用下的单点桥梁加速度响应差值进行提升小波变换,通过提升小波系数峰值识别桥梁损伤的不依赖无损模型的损伤检测方法。数值分析表明,该方法可以有效识别不同程度、不同位置和多处桥梁损伤。其次,讨论了不同测点位置、荷载速度、噪声水平对损伤识别效果的影响,表明该方法具有较好的抗噪性;测点距离损伤位置越近,损伤识别效果越好;当荷载速度过大时,损伤信息易被淹没,损伤效果变差。     

基于在线振动响应的桥梁损伤识别方法

选用桥梁单元的刚度下降率作为损伤因子.基于铁路列车-桥梁耦合振动模型,计算桥梁在线振动响应对损伤因子的灵敏度并构建灵敏度矩阵,以结构不同状态下的响应残差为约束条件建立灵敏度方程,用Tikhonov正则化方法求解灵敏度方程得到各单元的损伤因子,实现对桥梁损伤的定位和定量评估.应用该识别方法对简支梁桥和2跨连续梁桥的识别结果表明:该识别方法对测点位置不敏感.可根据梁上任意1个测点的响应准确确定损伤位置及损伤程度;不但能识别桥梁的绝对损伤,而且能识别桥梁的损伤增量,即相对损伤;抗噪能力较强,即使噪声水平达到10%,也能正确识别出5%以上的损伤,但对5%以下小幅损伤可能会有误判.     

基于单元模态应变能与区间分析的不确定性损伤识别

针对现有模态应变能损伤识别方法以确定性分析方法为主,而在工程实际中,测试数据不可避免会受到噪声、建模误差等不确定性因素影响,导致损伤识别精度降低,甚至可能出现误判的问题,提出基于单元模态应变能和区间分析的不确定性损伤识别方法.基于多次重复测量数据,采用区间数来量化响应的不确定性,建立区间损伤识别方程组;引入快速非支配排序遗传算法(NSGA-Ⅱ)求解方程组,计算单元刚度折减系数区间范围,采用区间重叠度与区间中值距离构造损伤定位和损伤定量指标进行损伤识别.数值算例结果表明:所提方法有效、可行,且具有较好的抗噪能力,5％噪声水平下,损伤识别误差不超过7.6％.     

基于挠度的铁路双线简支钢桁梁桥杆件损伤程度识别研究

以梁桥节点最大位移改变率作为损伤程度伤识别指标,分别采用广义回归神经网络(GRNN)算法和ε-支持向量回归机(ε-SVR)算法,进行损伤程度识别研究。通过对一座铁路双线简支钢桁梁桥某杆件的损伤程度识别研究发现:(1)GRNN损伤程度识别模型具有一定的抗噪能力,不具有泛化性。(2)SVR损伤程度识别模型具有很强的抗噪能力和很好的泛化性。(3)以桥梁节点最大位移改变率作为损伤程度识别指标时,数据回归算法不能采用GRNN算法,应采用ε-SVR算法。     

基于深度学习的高速列车转向架故障识别

为提取高速列车转向架关键部件振动信号的特征,提出基于深度学习(Deep Learning)的高速列车转向架故障识别新方法。以转向架关键部件非全拆单工况故障信号为研究对象,对故障信号进行离散傅里叶变换,然后依据深度学习的降噪自动编解码过程对故障的频域信号进行特征学习,并以此特征作为BP神经网络的输入实现转向架故障信号的识别。实验结果表明:在不同速度下,所提方法对转向架关键部件非全拆故障识别正确率能达到100%,表明了该方法的有效性。     

基于支持向量机的静力损伤识别方法

针对使用静力测试数据进行桥梁结构损伤识别时容易出现误判的问题,基于支持向量机理论,提出1种新的静力损伤识别方法。将损伤识别过程分为损伤发生识别、损伤位置识别和损伤程度识别3个步骤。使用理论计算结果与测试数据比较的方法判断损伤是否发生,采用C-支持向量机分类算法进行损伤位置识别,利用ε-支持向量机回归算法进行损伤程度识别。将该方法与优化识别方法同时运用于1个连续梁试验中。试验结果表明:与优化识别方法相比,支持向量机方法通过分开求解损伤位置和程度,并先进行结构有限元分析,然后再使用支持向量机进行识别,将这2个过程解耦,从而降低了问题的难度,不仅能够正确地识别损伤出现的位置,而且能够得到与实际相符的损伤程度识别结果,并且具有较好的推广能力和较强的抗噪声能力,能够很好地对桥梁静力损伤进行识别。     

基于协同降噪与IGWO-SVR的高填方路基沉降预测

高填方路基沉降影响山岭重丘区重载铁路运营安全。为克服实测沉降数据掺杂随机噪声、现有预测模型适用性差的不足,提出基于协同降噪算法与IGWO-SVR模型的沉降预测方法。运用互补集合经验模态分解法(CEEMD)与小波包变换法(WPT)对含噪沉降数据进行协同降噪处理;提出基于佳点集初始化均布、非线性收敛控制与自身历史最优记忆位置更新的改进灰狼优化(IGWO)算法,并结合支持向量回归模型(SVR),构建IGWO-SVR沉降预测模型。进一步地,利用大准铁路工点及现有文献研究成果,验证IGWO-SVR模型的优越性。结果表明：协同降噪法可有效消除原数据中噪声项的干扰波动;在小样本数据集上,IGWO-SVR模型较传统沉降预测模型与现有文献所述预测模型,具有更高的预测精度与稳定性。研究成果为重载铁路高填方路基沉降预测提供了新途径。     

结合桥梁梁端转角响应的损伤识别研究

基于桥梁转角响应易于获取的特点及桥梁影响线的准静态优势,以桥梁实际影响线精准提取前期研究为基础,提出一种结合桥梁梁端转角响应的损伤识别方法。针对梁式桥,结合实际转角影响线构建损伤定位指标,通过定位指标曲线局部峰值确定损伤位置。依此建立包含损伤信息的基函数,对实际转角影响线进行最小二乘拟合识别曲线系数,实现损伤定量。开展车辆过桥数值仿真研究,在20 m长简支梁模型上设置不同损伤工况,模拟二轴车过桥所致转角响应,考虑行车速度、路面平整度和测试噪声等因素影响,以此进行转角影响线的提取及损伤识别。结果表明,同等情况下损伤程度越大,识别结果偏差越小;相较2处损伤,单处损伤的定位更加准确。开展损伤识别模型试验,在5 m长试验梁不同位置处设置2处损伤,进一步进行损伤定位及定量研究。识别试验梁的损伤位置分别为2.09 m和3.05 m,损伤程度分别为0.31和0.47,均与实际值较为接近。上述研究表明：所构建的未损基函数及损伤基函数包含梁结构完整及损伤特征,结合当前状态下梁端转角响应可实现桥梁的损伤识别;损伤识别结果具备较高精度,可为直接利用梁端转角数据进行桥梁的损伤定位定量提供参考。     

基于云模型相似性度量的结构不确定性损伤识别

测量噪声、建模误差等不确定性因素会影响损伤识别结果,甚至导致损伤误判的问题。为此,提出基于频响函数和云模型相似性度量的不确定性损伤识别方法。首先基于多次重复测量数据,根据频响函数理论计算结构损伤前后各单元的损伤系数,采用损伤前后云模型期望曲线的相似程度来构造损伤位置识别指标,识别结构的损伤位置。其次,利用单元损伤前后的云模型数字特征变化量来构造损伤程度指标,确定损伤单元的损伤程度。以23杆桁架结构数值算例验证该方法的可行性及可靠性,探讨原始样本个数、噪声程度对识别结果的影响,并研究在无健康工况数据条件下所提方法的识别效果。研究结果表明：与传统的云模型相似性度量方法中的夹角余弦法相比,所提算法可以更好地处理损伤识别过程中的不确定性问题,且仅需少量样本即可准确识别出单元的损伤位置及损伤程度,具有一定的工程应用价值。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于BP神经网络与GM(1,1)模型组合算法的桥梁耐久性预测

针对混凝土桥梁耐久性历史评估数据的特点,提出一种基于BP神经网络与GM(1,1)模型的桥梁耐久性组合预测方法。通过GM(1,1)模型,以部分数据作为样本进行预测,在此基础之上,引入BP神经网络对预测的残差序列进行处理,旨在克服单一预测模型的不足,取得更高的预测精度。算例表明,本文算法精度明显高于传统GM(1,1)模型,与类似算法相比,精度上也有所提高。     

大型桥梁健康监测研究进展

回顾桥梁健康监测的发展历程。介绍桥梁健康监测系统的组成、监测内容功能及特点。对信号分析与处理的传统谱分析方法与小波变换、希尔波特黄变换(Hilbert Huang)进行比较。介绍最新的信号时频分析方法希尔波特黄变换的具体算法,及其在结构参数识别、损伤识别、消除实测南京长江大桥应变信号中的对讲机干扰等方面的具体应用。对动力指纹分析法、模型修正与系统识别法、神经网络法、遗传算法5种损伤检测方法的基本原理、特点及发展动态进行概述和总结,指出神经网络技术结合遗传算法是结构损伤检测的发展方向之一。     

基于CB-CNN与分割残差优化的列控系统网络攻击流量检测

复杂环境中的列控系统容易遭到各类网络流量攻击，现有的攻击流量检测方法往往特征选择差、稳定性较弱，导致检测精度较低。为此，提出一种通道增强卷积神经网络与分割残差优化的攻击流量检测方法。首先通过降噪式自动编码器对正常流量进行建模，同时使用无监督训练将原始特征空间转换为重构特征空间；然后利用通道增强使相关误差向量转化为分类器的多通道输入变量；最后为增加神经网络的特征表示多样性，设计一种多路径的分割残差网络来优化CB-CNN,通过学习不同维度级别的流量特征来优化分类。实验结果表明：所提方法具有较好的训练性能，NSL-KDD数据集与真实铁路安全网络中获得的平均精确率分别为94.573%与96.78%。在误报率较低的同时均具有较好的分类可视化效果。综合对比其他检测方法，提出方法检测实时性较好，能够适用于复杂场景的列控系统网络攻击检测，在噪声存在时具有较好的鲁棒性。     

基于滑窗子空间算法的桥梁运营状态预警分析研究

以某典型斜拉桥振动台模型试验为研究背景,采用滑窗技术与数据驱动随机子空间识别算法对桥梁运营状态预警方法进行研究。为实现在时域上对桥梁模态参数进行实时跟踪识别,将滑窗技术引入子空间法,提出一种滑窗子空间模态参数识别方法。而后基于滑窗子空间算法识别结果,参考各国高速铁路桥梁相关规范的状态评价指标,提出基于频率值和频率变化率的铁路桥梁运营状态预警方法,实现铁路桥梁的实时状态评估。运用模型试验各工况下的测试数据,对该模型桥的状态进行实时评估和预警分析,并将状态预警结果与模型桥实际损伤情况进行对比分析,验证所提方法的正确性,该方法可直接应用于桥梁结构的运营状态预警分析中。     

跨线转体桥施工抗倾覆技术研究现状及展望

在我国交通强国战略背景下,伴随公共交通建设力度的进一步提升,交叉线路变得越来越频繁。在跨越既有铁路开展桥梁工程建设时,为不影响铁路线路的正常运营,大多选用桥梁转体施工方案。为保障转体桥梁施工的安全,亟需系统梳理和总结桥梁转体施工抗倾覆难点及现有抗倾覆关键技术。通过调研国内外平转型转体桥工程实例及对相关文献进行分析与研究,分别从桥梁结构不平衡因素、转体结构所受外荷载影响及转体桥梁的施工工艺三方面进行研究,分析现有跨线转体桥梁施工技术抗倾覆难点,结合当前最新研究成果及较为先进的施工工法,总结专家学者提出的桥梁转体施工抗倾覆关键技术。最后对桥梁转体施工抗倾覆新技术进行展望,提出基于北斗技术下桥梁转体姿态实时动态监测技术与基于机器学习算法下,对转体桥梁的动态位移及结构损伤快速且精确识别的构思,为平转型桥梁转体施工抗倾覆研究的进一步发展提供了一定的研究思路,对平转型桥梁转体工程建设抗倾覆具有一定参考与借鉴意义。     

基于人工神经网络的混合梁斜拉桥智能诊断方法研究

研究目的:本文以天津市河北大街混合梁斜拉桥为工程背景,基于人工神经网络模型,提出适用于混合梁斜拉桥的分步识别方法,分别采用概率和径向基函数神经网络对子结构和钢主梁子结构局部构件进行损伤识别.此外还提出适用于钢主梁局部构件识别的动-静组合损伤指标,并建立相应的径向基函数网络模型,分别针对单损伤、双损伤和三损伤的不同损伤情况进行数值模拟.研究结论:识别结果表明:(1)本文所提出的分步识别方法具有较高的识别精度,网络识别速度快,适用于大型混合梁斜拉桥的智能诊断过程;(2)所提出的动-静组合损伤指标对混合梁斜拉桥的局部损伤识别也较为敏感;(3)单处损伤测试工况中,识别精度几乎高达100％;(4)在两处和三处损伤测试工况中,位置识别正确率分别达到82.61％和78.3％.     

基于光照不变正则约束的稳健性桥梁病害识别

桥梁表观病害识别是桥梁运营养护的关键技术之一。近年来,卷积神经网络(Convolutional Neural Networks,CNN)被广泛应用于桥梁表观病害识别。然而在光照不足条件下,卷积神经网络对于桥梁表观病害识别的稳健性通常不足。针对上述问题,提出一种基于光照不变正则约束的稳健性桥梁病害识别方法。该方法利用不变正则约束,同时约束CNN的特征提取模块和分类器模块,实现光照不足条件下的不变特征学习和分类器学习,进而增强CNN模型对于桥梁病害识别的光照稳健性。运用该方法基于桥梁表观病害数据集进行实验验证。实验结果表明：所提方法在光照不足条件下的桥梁病害的平均识别准确率高于对比方法;该方法在正常光照图像和光照变化图像上提取的特征矢量的欧氏距离为7.57,较对比方法提取的特征矢量具有更高的相似度。基于光照不变正则约束的稳健性桥梁病害识别方法在光照不足条件下提取的特征具有较强的不变特性,使得模型具有较强的病害识别稳健性,具有良好的工程应用价值,能够为桥梁的运营养护提供更准确的决策支持。     

基于时变刚度模型的悬臂梁损伤识别研究

考虑呼吸裂纹引起的损伤结构的非线性效应,提出裂纹悬臂梁的指数衰减时变刚度模型,分析结构瞬时频率与损伤位置和损伤程度的关系;利用中心差分法和Teager能量算子求解自由振动响应的瞬时频率;基于瞬时频率对结构的损伤识别进行探讨,建立损伤指标,识别结构的损伤程度;考虑噪声对损伤指标的影响。研究结果表明：结构瞬时频率是损伤位置和损伤程度的二维函数,瞬时频率的波内调制验证了结构的非线性,表明时变刚度模型的合理性,损伤指标具有一定的抗噪性。     

粒子群优化的神经网络在齿轮故障诊断中的应用

针对BP神经网络容易陷入局部极小及收敛速度慢的问题,本文利用粒子群优化算法代替BP算法中的梯度下降法训练神经网络的权重和阚值,有效地改善了BP网络诊断性能;利用训练后的神经网络对齿轮进行了故障诊断,并比较了基于粒子群优化算法与BP算法的诊断结果,通过仿真实验表明:无论是在诊断速度上还是在诊断精度上,PSO-BP神经网络诊断性能都比单独的运用神经网络有很大提高.