基于频率和BP神经网络的井架钢结构损伤识别

为了快速、准确地诊断井架钢结构的损伤位置和程度,提出仅基于测试精度高的频率数据和BP神经网络的识别方法。首先,选择频率变化比和频率平方变化比组合参数作为损伤位置识别因子,频率变化率作为损伤程度识别因子;然后,分步构建损伤位置和损伤程度识别的BP神经网络;最后,利用前10阶频率数据和BP神经网络对现场某井架钢结构的损伤位置和程度进行识别。分析结果表明,在测试噪声为10%时,采用前6阶损伤位置识别因子,能够清楚识别损伤位置,识别结果分别是1,5,9,15,19号单元损伤;采用前10阶损伤程度识别因子,1号单元的损伤程度识别结果分别为0.106 9,0.318 2,0.505 4,0.710 2,0.915 9,识别误差均不超过10%。     

基于正则化频率变化率与神经网络的石油井架结构损伤识别

阐述结构健康监测中损伤识别的关键问题,介绍基于正则化的频率变化率的损伤定位方法,提出一套基于模态参数和神经网络的损伤识别技术。按相似理论建立了JJ160/41-K型井架实物模型,根据其基本结构和受力特点,以JJ160/41-K井架的实物模型为对象进行损伤研究。结果表明:井架模型在局部结构发生变化时整体的固有频率发生改变;将模态分析理论和神经网络方法相结合,可对已定位损伤的井架进行定量分析;通过实例运算验证了其对结构损伤诊断的有效性。     

基于模态参数的桥墩结构损伤识别数值研究

铁路简支梁桥桥墩横向振动时,可简化为墩顶具有集中质量的悬臂梁模型,地基约束用地基弹簧模拟。研究墩身的结构性损伤时,该模型与基底固结的悬臂梁模型原理相同。利用冲击振动试验法可以准确得到桥墩的一阶振型和一阶频率,利用这两个参数可以构造出一阶振型比、特征参数、一阶曲率模态差三个指标。以一混凝土悬臂梁为例,用一阶振型比、特征参数、一阶曲率模态差指标进行结构损伤识别的数值研究,总结了特征参数指标在结构损伤前后的变化规律。分析结果表明几个指标对损伤比较敏感。     

故障诊断中信号特征参数择取方法

针对故障诊断中数据量大的问题,提出一种故障信号特征参数择取方法,达到只需少量的特征参数来训练高精度故障识别神经网络的目的。该方法通过对特征参数之间的相关性及每个特征参数的故障敏感性进行系统分析,从而择取满足故障识别要求的特征参数。以滚动轴承故障诊断为例,使用该方法择取4种特征参数的情况下实现了高精度、高效率和高鲁棒性的故障识别。这一方法可推广到其他机械系统的故障识别中。     

用ART2神经网络方法进行结构的损伤识别

用ART2神经网络方法对建筑结构的损伤进行了识别 ,实验证明该方法的识别精度高 ,具有自动从环境中学习的能力 ,对未知的损伤 ,ART2网络将能自动地给出新的识别输出 ,即对未知的损伤类型也能够进行识别     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于应变和PSO-BP神经网络的连续梁桥损伤识别方法

以连续梁桥为研究对象,建立了基于应变的损伤识别方法。提出将伪比能变化率作为损伤识别指标,并针对BP神经网络易陷入局部极小的缺点,用改进粒子群(PSO)算法优化BP神经网络的权值和阈值参数,建立PSO-BP网络预测模型。通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明,以伪比能变化率作为损伤识别指标,可以很好地实现对桥梁单位置和多位置损伤的定位及损伤程度识别,损伤程度识别的最大相对误差为3.14%,且网络内插能力优于外延能力。与传统BP神经网络比较,PSO-BP神经网络拥有更为精准的预测能力。     

基于小波变换和模态曲率差的起重机金属结构损伤识别

属于焊接结构的起重机金属结构受交变载荷的影响,随着使用年限的增加,不可避免地会产生裂纹和腐蚀等损伤,从而引发突发性重大断裂事故。为此,基于结构的振动特性及小波变换理论来研究起重机金属结构的早期损伤识别问题,通过改变局部弹性模量模拟不同损伤工况,分析了起重机主梁在不同损伤工况下的动态响应特性。结果表明,小波变换可明显放大不易察觉的损伤突变,模态曲率差具有较好的损伤识别能力,可为起重机金属结构损伤识别提供新的思路。     

基于车桥耦合振动分析的桥梁损伤诊断方法评述

车辆通过桥梁时,桥梁和车辆的动力响应都包含桥梁结构模态或者几何参数信息,对它们进行分析能识别桥梁的模态参数和损伤。结合国内外最新研究成果,综述基于车桥耦合振动分析的桥梁结构损伤识别技术,并与传统识别方法进行比较。指出其优缺点;详细介绍基于灵敏度分析和模型修正的方法、基于结构刚度搜索的方法、利用车辆响应傅立叶变换识别桥梁频率的方法、利用车激桥梁响应的小波变换识别桥梁模态参数的方法以及综合利用车辆和桥梁响应识别桥梁损伤的方法等5种参数识别与损伤诊断方法的基本原理,并总结上述方法的实施步骤和应用时应该注意的问题;指出了该领域的关键问题和进一步的研究方向。     

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明：相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

MNLR and ANN structural group contribution methods for predicting the flash point temperature of pure compounds in the transportation fuels range

A QSPR method is presented for predicting the flash point temperature (FPT) of pure compounds in the transportation fuels range. A structural group contribution method is used to determine the flash point temperature using two techniques: multivariable nonlinear regression and artificial neural networks. The method was used to probe the structural groups that have significant contribution to the overall FPT of pure compounds and arrive at the set of 37 atom-type structural groups that can best represent the flash point for about 375 substances. The input parameters to the model are the number of occurrence of each of the 37 structural groups in each molecule. The neural network method was the better of the two techniques and can predict the flash point of pure compounds merely from the knowledge of the molecular structure with an overall correlation coefficient of 0.996 and overall average and maximum errors of 1.12% and 6.62%, respectively. The results are compared to the more traditional approach of the SGC method along with other methods in the literature.     

常州市燃气管网破坏的人工神经网络预测模型

作为一种高效清洁的能源,燃气已经成为城市能源中的重要一员,燃气管网破坏亦成为城市所面临的重大安全隐患。城市埋地燃气管网的破坏风险,往往受到多种影响因素的共同作用。通过分析常州市埋地燃气管网破坏的影响因素,确定了地面沉降、地裂缝、城市内涝、土壤腐蚀等4个风险评价因子。运用MATLAB中的人工神经网络工具,通过人工神经网络计算,优化了模型网络结构,建立了常州市埋地燃气管网破坏风险预测的人工神经网络模型。分析计算结果,并为常州市埋地燃气管网的安全防护提供了建议。     

平板及焊缝中裂纹磁记忆检测技术研究

为了将磁记忆技术用于裂纹缺陷的检测领域,应用试验研究和有限元分析相结合的方法,分析裂纹的深度、埋深、宽度以及扫描角度对平板中裂纹磁记忆检测的影响。针对45号钢板建立深度和宽度2个影响参量与磁记忆信号之间的量化关系。沿焊缝长度方向和垂直焊缝长度方向对焊接裂纹进行磁记忆检测,研究焊接裂纹的检测方法和信号特征。提出根据局部波形呈现正弦波形态判别缺陷的方法。研究结果表明,用磁记忆检测技术能够对裂纹进行定位,并根据波形信号特征量对裂纹深度、宽度进行量化评价。     

基于人工神经网络的二元液体闪点预测

建立了一个基于人工神经网络的理论模型,用于预测二元混合液体的闪点.根据所研究混合液体的物理性质,选择了相关黏度、表面张力等物理参数来表征闪点,以这些参数作为输入参数,二元混合液体的闪点作为输出值,应用反向传播(BP)人工神经网络方法对两者之间的内在定量关系进行模拟.结果表明,闪点预测值与实验值符合良好,优于传统的计算方...     

综合拉底、扩漏和出矿全过程的底部结构安全性颗粒流模拟技术研究

为探明自然崩落法从拉底崩落至出矿全过程中底部结构节理连续扩展过程与破坏过程规律，采用PFC2D软件，结合RocLab软件反演节理岩体参数，建立229 m×129 m的岩体扩大模型，对拉底崩落至出矿过程进行连续综合计算。研究结果表明:模拟结果及破坏现象与现场监测结果相近，建模与细观参数反演方法适用于该类岩体工程研究；裂纹扩展贯通导致岩体失稳破坏，破坏过程与裂纹扩展具有相对应的阶段特征，裂纹扩展分为崩落前稳定扩展期，崩落与聚矿槽开挖过程加速扩展期和后续持续扩展期；结构破坏分为蕴育过程，扰动失稳过程和宏观破坏过程；较大范围的宏观破坏主要在出矿阶段。该模拟方法与结果可为底部结构维护以及节理岩体长期稳定性研究提供参考。