基于计算智能的结构损伤识别研究

【摘要】：在航空航天、机械和土木等领域中,如果能够有效地实现对结构的健康诊断,就可以对结构的安全问题进行早期预警,进而避免安全事故的发生,因此对结构的健康诊断研究意义重大。对于大型复杂结构,传统的无损检测方法,如染色渗透、x射线、Y射线、光干涉、超声波和电磁学检测等都是局部诊断方法,很难对整个结构进行诊断。基于振动的诊断方法是全局诊断方法,对这类方法的研究和应用已经有几十年的历史,但是依然有很多问题需要解决,如测试数据的不完整性,噪声的影响,有限元模型的修正,结构在线诊断等。因此从工程应用的角度出发,研究基于振动的损伤识别技术在复杂结构中的应用是本课题的出发点。按照结构振动测试所获得数据的不同,结构损伤识别方法可以分为基于模态参数的方法、基于频域响应的方法和基于时域响应的方法,本文分别对这三类方法进行了研究。 基于模态参数的损伤识别诊断方法,由于其分析理论完备,数据简单,因此应用最为广泛。但是这种诊断方法,在模型研究和分析方法上没有考虑实际测试误差的影响,因此会产生识别误差。本文为解决该问题,预先考虑到测试误差的影响,构造了基于修正模态参数的诊断模型,从而在一定程度上减小了误差的影响,使基于模态参数的诊断结果较好地反映结构状态。 结构损伤识别问题是力学反问题,可作为一个优化问题来处理。由于该问题本身是一个高度非线性问题,应用常规的优化方法很难得到满意的寻优效果。近年来以遗传算法为代表的智能优化方法由于具有通用、稳健、简单和便于并行处理等优点,已经在结构健康诊断问题中得到应用。但是由于遗传算法的局部搜索能力不强,且反复的动力学分析需要很大的计算量,因此仅仅通过调整遗传算法自身算子,扩大种群规模等方法,并不能获得满意的收敛速度和识别效果。本文提出将微遗传算法、改进的正交交叉算子和多变量Solis-Wets局部搜索算法结合,组成混合正交微遗传算法,并进一步应用子结构法,降低问题求解的规模,减少计算中陷入局部极小点的可能。两种方法的结合提高了算法的搜索能力和速度,降低了对测试设备和操作的要求,提高了对复杂工程结构进行损伤识别的能力。 基于频率响应函数(FRF)与基于模态参数的损伤识别方法相比,不但省去了模态分析步骤,减少了分析误差,而且FRF在频域范围能提供更多的关于结构状态的信息描述。但是由于FRF本身所包含的数据量很大,不可能直接应用。尽管可以采用FRF的子集来描述,但是这样不可避免地会丢失一些反映系统状态的信息,因此对FRF进行有效的压缩和损伤特征提取是应用FRF识别结构损伤的基础。本文应用主成分分析和独立成分分析方法,分别提取FRF中所包含的结构状态信息,并结合Latin Hypercube采样、神经网络、混合正交微遗传算法和子结构法进行结构损伤诊断。仿真分析的诊断结果表明,该方法具有很好的识别能力和抗噪能力,且对测点的数量和分布要求不高。 结构发生损伤后,响应信号会含有突变特征。采用传统的基于纯频域分析的傅里叶变换不能得到满意的特征提取效果。小波变换在时域和频域内都具有良好的分辨力,将小波变换应用到结构损伤诊断中,时域信号经小波分析后其损伤特征会变得更加明显。