结构健康监测的一个重要目的是实现结构损伤识别与定位,文章将结构监测数据的时间序列模型与机器学习中的核岭回归相结合,提出了一种新的结构损伤定位方法.先定义结构损伤识别矩阵,推导出结构损伤系数向量与损伤结构和未损伤结构的自回归系数向量差值的关联关系,结构的损伤识别矩阵可以通过机器学习中的核岭回归算法获得.对比其他回归算法,核岭回归的正则化、核函数特性可以大幅提高模型的拟合性能与泛化性能,更好地应用于结构损伤识别.然后通过一混凝土框架数值模型对该方法进行验证.结果表明该方法对结构的单损伤、多损伤均可进行有效识别,准确率较高.
建筑结构的模态参数识别是健康监测系统中的核心算法.模态参数识别经过多年的发展已经非常成熟,种类繁多.但是基于Hilbert-Huang变换(Hilbert-Huang transform,HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测.该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network,DNN)结合K-L散度实现了 EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis,SSA)结合 Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function,IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别.将上述方法应用于一 3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别.
无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容.希尔伯特黄变换(Hilbert-Huang Transform,HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用.与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function,IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断.该文提出了一种基于深度神经网络(Deep Neural Networks,DNN)与K-L散度(Kullback-Leibler Divergence,K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量.
