基于神经网络技术的结构损伤检测

结构损伤会导致其振动频率的变化,因此测量结构振动频率可以判断结构是否存在损伤,同时,基于频率测量的结构损伤识别方法具有测试简便,精度较好的优点,在分析结构固有频率的基础上,把结构损伤识别问题分为损伤辨别、损伤定位、损伤程度标定3个子模块,对每个子模块用模态参数构造对损伤敏感的标识量,并作为特征参数输入到神经网络中实现损伤识别,将BP网络和频率相结合进行了矩形梁的损伤检测,计算分析结果表明,该方法在结构损伤检测中具有较好的识别效果,最后对神经网络方法在损伤检测中的发展前景作了展望.     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。     

基于神经网络技术的斜拉桥损伤分步识别方法

结合神经网络技术进行了斜拉桥损伤分步识别的系统性研究,提出了具体的斜拉桥损伤分步识别过程,给出了每一识别步骤中适当的损伤识别参数.可实现斜拉桥主要构件即拉索和主梁中损伤的有效识别.采用概率神经网络确定损伤构件的类型,采用径向基函数(RBF)网络实现损伤的定位定量分析.针对润扬大桥斜拉桥的损伤模拟分析表明:将测试数据进行平均计算可以大大降低噪声对于概率神经网络识别结果的影响;噪声水平对2个径向基函数网络的损伤位置和损伤程度的识别能力方面的影响较小.采用不同的神经网络分阶段实现大跨斜拉桥的损伤识别,不仅提高了损伤识别的效率和准确性,而且增强了损伤识别方法在实际结构中应用的可行性.     

实验模态分析技术应用于桥梁损伤检测

实验模态分析技术应用于桥梁损伤检测是有效可行的方法。本文论述了实验模态分析技术的基本理论，该方法应用于桥梁损伤检测主要讨论了模态参数的选取及桥梁实验模态分析检测的要素等相关问题。     

基于BP神经网络的汽车传动轴损伤分析

作为汽车传动系统中的关键零部件,汽车传动轴的安全可靠性对整机的可靠性起到决定性作用,所以传动轴上的裂纹分析与检测至关重要。文章基于有限元方法计算不同裂纹结构参数下传动轴的固有频率,通过建立相关系数、波动因子、BP神经网络决定系数等指标,衡量结构参数对固有频率的影响。得出裂纹宽度和裂纹位置对固有频率几乎没有影响,而裂纹的深度是影响固有频率的主要因素。     

基于结构模态的损伤识别研究

损伤识别是结构健康监测的关键技术,基于频率和振型等结构模态信息是结构在线损伤识别的主要手段。通过数值计算,分析研究了基于频率和振型的损伤识别过程中的若干问题,指出基于频率和振型的损伤识别在理论上的可行性,但在考虑误差的情况下,基于频率的损伤识别是不可靠的,基于振型的损伤识别也受到了很大限制。这与许多学者的结论是一致的,同时也从另一个角度说明基于结构模态信息的损伤识别亟待有效的传感器优化布置办法。文章从经验上对传感器布置进行初步优化,并用算例检验其可行性。     

基于模态应变能和神经网络的分步损伤诊断法

神经网络用于损伤识别遇到的最大问题就是训练样本的组合爆炸,单纯利用神经网络进行实际工程结构的损伤诊断有很大困难。丈中提出了一种分步损伤诊断方法,即先用模态应变能判断损伤位置,然后用BP神经网络识别损伤程度,并使用该方法成功地对一座模拟损伤的两跨连续梁桥进行了损伤位置与损伤程度识别。     

基于振动与静载试验的桥梁结构损伤识别法

以桥梁结构有限元为工具，把当前结构模型中各单元的等效面积、惯性矩以及板壳单元的厚度作为识别参数|p|，建立识别参数对于各种量测的灵敏度矩阵[S|p|]。同时以测取的结构某些部位的位移、应变以及低阶的振动模态参数为基准，与原先结构的分析结果进行比较建立综合误差向量{△E}。通过优化方法不断调整当前计算模型的参数{△P}使结构响应与相应的试验值最大程度地吻合({△E}小到一定量级)，从而得到结构参数变化的信息。以此为基础即可实现桥梁结构的损伤判别以及承载能力的评估。     

梁桥损伤识别的神经网络设计

神经网络已经越来越地到基于振动的结构损伤识别中。论文讨论了梁桥损伤识别的ＲＢＦ神经网络。扩大了输入向量和损伤分段的选择，取得了很好的识别效果。     

基于新奇检测技术的桥梁结构损伤预警方法

结构损伤预警是实现损伤检测策略的第一步,是进一步进行结构健康诊断的基础。大量的研究证明新奇检测技术可以较好地应用于结构的损伤预警。探讨了应用前馈BP网络(Feed-forward back-propagation network)实现新奇检测技术的方法。以结构的自振频率为作为网络的基本输入,对斜拉桥结构进行了损伤预警模拟研究。该方法的优点是不依赖于数值模型。对神经网络的训练仅需要健康结构的若干实测频率。模拟研究表明,该方法具有较高的实用价值。导致频率2.5%以上变化的损伤情况,均可给予预警。模拟了14种损伤情况,每种损伤考虑2种损伤程度。通过多指标策略,预警同时还在一定意义上指示损伤程度。     

曲率模态和神经网络在损伤识别中的应用

以连续梁为例，通过曲率模态及改进后的模态置信准则联合确定损伤位置，并使用神经网络判定各损伤处的损伤程度。数值模拟考虑了梁不同位置及不同程度损伤情况，研究了运用曲率模态和模态置信准则进行损伤和损伤位置的识别，分析了各自方法的优缺点，通过两种方法的联合运用，使损伤位置识别准确、合理，并且说明了1阶曲率模态的局部参数是损伤程度识别较优的网络输入量，最后运用神经网络识别损伤程度。     

小波神经网络在基于图象处理的路面破损识别中的应用

由于路面破损形式的多种多样,造成路面破损分类成为一大难题,这极大的限制了路面破损自动检测的普及和发展,使得路面破损自动检测即使在发达国家普及得也不够理想。本文主要研究基于图象子块分布特性的路面破损识别算法,对比研究了小波神经网络和传统的BP神经网络在基于图象子块分布特性的路面破损识别。仿真结果显示,小波神经网络优于传统的BP神经网络。     

基于改进深度卷积神经网络的车辆检测方法研究

基于视觉的车辆检测作为辅助驾驶系统的输入,对智能车辆预警和决策起着重要的作用。针对目前传统深度卷积神经网络在基础网络设计和物体检测网络构建的不足,提出一种对经典的深度残差网络进行改进方法,提出带局部连接的残差单元,并以此构建带局部连接的残差网络;同时,提出基于共享参数的多分支网络和双金字塔语义传递网络形式,提升不同语义级别特征融合前的语义级别,以及实现深度融合不同分辨率特征图的语义。经过测试,车辆的检测准确率最高达到95.3%,且具备较高的实时性和环境适应性。     

无粘结预应力混凝土梁桥自振频率的RBF网络识别

为研究采用神经网络的方法识别无粘结预应力混凝土梁桥的自振频率,收集以往PC梁的动力试验数据,并在此基础上补充制作5根PC梁进行动力试验,采集相关数据。构建径向基(RBF)神经网络,采用泛化回归神经网络(GRNN)进行函数逼近,径向基函数的光滑因子取为0.15。筛选9个影响PC梁自振频率的关键参数作为神经网络的输入参数,用收集到的试验数据对神经网络进行训练,并预留出1根PC梁的试验数据对网络进行仿真。仿真结果表明,采用所研究的神经网络方法识别无粘结预应力混凝土梁桥的自振频率是可行的,这种网络具有很好的预测能力和泛化能力。     

基于注意力机制的双向门控循环单元网络齿轮故障识别系统

提出一种基于注意力机制 （Attention Mechanism,AM） 的双向门控循环神经网络模型的齿轮故障识别系统。使用基于 STM32 的嵌入式主控制器分别采集正常齿轮、断齿齿轮、轮齿剥落齿轮等 3 种故障齿轮工作时的振动传感器数据,使用基于注意力机制的双向门控循环单元网络模型进行齿轮故障识别。双向门控循环神经网络模型添加了注意力机制,保留输入特征的重要信息,不随步长增加而消失。将采集到的原始数据集按7∶2∶1的比例划分为训练集、验证集和测试集。测试集模型的齿轮故障识别准确率达到了99.67%,与GRU和Bi-GRU等模型的结果对比证明该模型的正确率更高。本系统可用于汽车变速器的监测与故障诊断。     

基于模态振型的预应力混凝土梁损伤检测

以预应力简支梁为例,通过Ansys有限元模型,分析模态振型在预应力混凝土结构损伤检测中的技术可行性。结果表明:模态振型不仅可以明确地确定结构损伤的存在,而且可以较准确地确定结构损伤的位置。所得结果对于预应力钢筋混凝土梁的健康状况检测具有一定的参考价值。