论文部分内容阅读
建筑结构在长期的使用过程中，由于在环境侵蚀、材料老化、突变效应等因素的共同作用下，会造成结构系统的损伤积累、抗力衰退。当损伤累积到一定的程度就可能导致建筑结构的整体破坏，因此对建筑结构进行损伤检测具有重要的理论价值和现实意义。就其本质而言，结构损伤识别问题属于模式识别范畴，也就是研究损伤指标和结构损伤状态之间的关系问题。近年来，一些新的人工智能算法正在不断地被应用到结构损伤识别领域的研究中来，进一步促进了结构损伤检测与可靠性评估工作朝着智能化的方向发展。 本文根据国内外在结构损伤识别领域的研究现状，围绕数据融合的三个不同层次，并结合小波包分析和模式识别算法等问题进行了研究，主要工作和创新点有: (1)提出结合随机振动响应互相关函数、小波包分解和支持向量机(SupportVectorMachine，SVM)的结构损伤识别方法。用随机振动响应互相关函数对相邻传感器测点的信号进行数据层融合，计算相邻测点响应的互相关函数幅值，并采用小波包对得到的幅值进行分解，得到各个频带上的总能量，利用各频带上的能量值作为输入到分类器的特征向量，并用SVM进行损伤识别。对Benchmark结构模型的实验表明，对原始损伤信号进行随机振动响应互相关分析，能有效避免噪声对响应信号的污染，提出的方法具有较好的识别精度、稳定性。 (2)提出了基于随机森林(RandomForests，RF)和数据融合的结构损伤识别方法。先用小波包对各个传感器上采集到的原始信号进行分解，计算各频带上的总能量，再根据传感器布置的特点将不同传感器上的总能量进行特征层融合，最后将融合后的能量值作为随机森林分类器的特征向量进行损伤识别。提出的方法在Benchmark结构模型和某八层剪切型钢框架结构模型上均取得了良好的实验效果，表明经过融合后的特征向量能有效提高不同损伤类别之间的差异性。 (3)提出了基于后验概率支持向量机(PosterioriProbabilitySupportVectorMachine，PPSVM)和DS证据理论(Dempster-ShaferEvidenceTheory)的结构损伤识别信息融合方法。将各传感器上的信号经小波包分解得到的频带能量，作为后验概率SVM的输入特征参数进行建模，并构造各自的基本概率赋值函数，采用DS证据理论进行决策层融合，根据判决规则得到最后的识别结果。该方法可以实现多传感器的信息融合，并大大降低融合识别的误差率。