基于小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法研究.pdf

1、由于年代的久遠(yuǎn)和環(huán)境的影響，許多工程結(jié)構(gòu)呈現(xiàn)出老化現(xiàn)象，個(gè)別的構(gòu)件出現(xiàn)損傷甚至斷裂，結(jié)構(gòu)在損傷積聚下一旦發(fā)生潰塌，會(huì)對(duì)國家和人民的生命財(cái)產(chǎn)造成極大的損失。因此，對(duì)工程結(jié)構(gòu)進(jìn)行損傷識(shí)別具有重大的學(xué)術(shù)、經(jīng)濟(jì)和社會(huì)意義。本文利用小波變換對(duì)時(shí)間序列的時(shí)間和頻率定位能力、小波函數(shù)具有的空間域縮放屬性，以及神經(jīng)網(wǎng)絡(luò)具有的捕捉非確定性性質(zhì)和復(fù)雜非線性的能力，結(jié)合模糊聚類技術(shù)，提出了結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊WNN模型，然后基于偽譜方法，提出了環(huán)

2、境激勵(lì)下大型復(fù)雜結(jié)構(gòu)的損傷識(shí)別方法，并結(jié)合理論分析、數(shù)值模擬及試驗(yàn)方法，對(duì)結(jié)構(gòu)損傷識(shí)別進(jìn)行了系統(tǒng)和深入的研究。本文主要研究內(nèi)容如下：
　　1）基于非正交小波——Mexican hat小波，構(gòu)造了動(dòng)態(tài)系統(tǒng)函數(shù)逼近的動(dòng)態(tài)時(shí)延WNN模型，該模型可以任意逼近瞬時(shí)非線性函數(shù)，并利用動(dòng)態(tài)時(shí)延WNN模型在小波設(shè)計(jì)中的靈活性，添加了額外功能，如函數(shù)逼近中理想的平移參數(shù)調(diào)整。
　　2）基于混沌理論的重構(gòu)狀態(tài)空間概念構(gòu)造動(dòng)態(tài)時(shí)延 WNN的輸入向

3、量，該向量保留了時(shí)間序列數(shù)據(jù)的動(dòng)態(tài)特性，可以識(shí)別結(jié)構(gòu)系統(tǒng)的非物理參數(shù)（如結(jié)構(gòu)的動(dòng)態(tài)響應(yīng)）。然后利用FNN方法確定動(dòng)態(tài)時(shí)延 WNN輸入向量的最佳嵌入維數(shù)，以及修正Gram-Schmidt算法和AFPE準(zhǔn)則確定WNN隱層節(jié)點(diǎn)的最佳數(shù)量，減小了WNN模型的規(guī)模，提高了模型的計(jì)算效率和識(shí)別精度。
　　3）將具有空間域縮放屬性的小波函數(shù)應(yīng)用于動(dòng)態(tài)時(shí)延 WNN模型，它僅在輸入時(shí)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(diǎn)之間的不良影

4、響，提高了函數(shù)逼近的精確度，加快了WNN的訓(xùn)練收斂過程。
　　4）基于NARMAX方法，將重構(gòu)狀態(tài)空間向量的模糊聚類與非正交WNN相結(jié)合，構(gòu)造了結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊WNN模型。該模型可有效而精確地捕捉時(shí)間序列傳感器數(shù)據(jù)的動(dòng)態(tài)特征，并可克服傳統(tǒng)WNN模型在處理存在局部不準(zhǔn)確的訓(xùn)練數(shù)據(jù)時(shí)，由于相同的空間域縮放屬性易導(dǎo)致的較大局部輸出誤差問題。
　　5）采用自適應(yīng)LM-LS混合學(xué)習(xí)算法訓(xùn)練動(dòng)態(tài)時(shí)延模糊WNN模型，訓(xùn)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(shù)，然后采用LM算法調(diào)整模型的非線性參數(shù)。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(shù)值不穩(wěn)定問題，并可顯著提高WNN模型的訓(xùn)練收斂速度。
　　6）小波在動(dòng)態(tài)時(shí)延模糊 WNN模型中應(yīng)用于兩個(gè)方面：○1采用離散小波包變換（DWPT）技術(shù)對(duì)傳感器數(shù)據(jù)去噪，加快了結(jié)構(gòu)系統(tǒng)識(shí)別模型的訓(xùn)練收斂速度，并明顯提高了模型的識(shí)別精度?！?將小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激活函

6、數(shù)，結(jié)合模糊聚類技術(shù)構(gòu)造模糊WNN模型，該模型可以有效而精確地捕捉時(shí)間序列傳感器數(shù)據(jù)的動(dòng)態(tài)特征。
　　7）基于結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊 WNN模型、以及偽譜方法，提出了環(huán)境激勵(lì)下大型復(fù)雜結(jié)構(gòu)的損傷識(shí)別方法。該方法的識(shí)別結(jié)果為選定子結(jié)構(gòu)內(nèi)的結(jié)構(gòu)局部損傷，通過選定一系列的子結(jié)構(gòu)可識(shí)別出結(jié)構(gòu)的所有損傷，具有結(jié)構(gòu)全局和局部損傷識(shí)別能力；損傷指標(biāo)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(duì)損傷指標(biāo)憑經(jīng)驗(yàn)設(shè)定閥值判斷結(jié)構(gòu)是否