一、基于神经网络的结构损伤诊断分析（论文文献综述）
闫斌斌[1]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中研究指明叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
李笑林,杨璐,许镇,黄雅楠,代鹏[2]（2021）在《建筑结构安全智能化监测研究现状及展望》文中进行了进一步梳理建筑结构破坏导致的工程事故往往可能造成巨大的人员伤亡和财产损失,为预防事故发生减少危害,对建筑结构的安全监测以及评定工作十分必要。本文主要从传感技术、数据传输和结构安全诊断与评定等方面对国内外智能化结构安全监测方法相关研究进行了总结。传感技术方面,智能材料传感器的发展及新型测量技术的应用使数据测量更准确、更高效,并促进了智能结构的发展。数据传输方面,物联网技术与"5G技术"的快速发展将为结构安全监测的发展提供极大支撑。结构安全诊断与评估方面,不同智能算法的引入进一步提升了结构安全监测的有效性和可靠性并简化了监测过程。总体而言,智能化正在成为结构安全监测技术的重要发展方向。
肖运蔚[3]（2021）在《基于小波包分析的杆系结构损伤诊断研究》文中进行了进一步梳理杆系结构是建筑工程领域应用比较广泛的一种结构形式,一旦结构在使用过程中出现损伤,轻则影响结构的使用寿命,重则造成巨大损失。随着小波和小波包分析发展,利用其对奇异信号敏感的特点,其在损伤诊断领域的应用越来越广泛。本文在前人研究基础上,通过有限元分析和数值仿真的方式对平面和空间框架结构进行损伤识别定位分析。论文主要内容如下:（1）对损伤诊断的发展历程和研究现状进行了概述,并对现有损伤识别方法进行了分类。然后对小波分析和小波包分解基本理论进行了介绍。（2）基于平面单层和多层模型,分别设置不同损伤程度、不同损伤位置、不同损伤数量等工况,通过有限元分析软件获取其前八阶位移模态,探讨了小波分析和小波包分解对结构损伤识别的能力。分析结果表明,直接基于位移模态的小波分析不能识别结构的损伤,需要对位移模态的曲率进行小波分析才能实现损伤定位。通过对位移模态和模态曲率信号进行小波包分解,利用分解后的高频信号均可以识别结构是否存在损伤及确定损伤位置,表明小波包分解在损伤识别方面优于小波分析。（3）通过对空间单层和多层框架结构设置不同损伤工况,利用小波包对位移模态进行分解,然后对分解后高频结点信号进行处理并对处理后的信号重构,探讨了分解信号和重构信号对空间框架结构的损伤识别能力。分析结果表明,根据其重构信号可以确定结构的损伤位置。
李睿[4]（2021）在《基于空洞卷积和多任务学习的结构损伤识别研究》文中认为我国土木工程行业正在由大规模建设向新建、改造与维护并重转型,工程诊断的重要性日益突出。利用结构的振动监测数据及时识别损伤、诊断结构的健康状况,一直以来都是结构健康监测与诊断技术的研究热点。目前,人工智能技术的飞速发展已经极大改变、丰富了结构的诊断技术,结构损伤的智能诊断技术正受到越来越多的关注。利用振动响应对结构损伤进行智能检测与诊断的关键在于信号中损伤敏感特征的提取及模式分类。本文提出一种基于一维空洞卷积神经网络的结构损伤识别方法利用空洞卷积来代替传统的卷积与池化的组合层,保持参数数量不变的情况下增大感受野,从而解决传统的深度二维卷积神经网络模型在处理一维结构振动信号时存在模型参数大、信号细节信息损失、泛化性能不好等问题;同时采用全局池化代替传统的全连接层来减少模型参数,以防止过拟合的出现;进而针对实际采集振动信号过程中数据集类别不平衡的现象,通过对不同类别信号设置惩罚权重来训练代价敏感分类器,能有效地从不均衡振动信号样本中提取损伤敏感特征,提高了样本不平衡情况下的结构损伤检测精度。卡塔尔大学看台缩尺模型损伤实验的验证与应用分析表明,利用本文方法能够在最大限度保留信号细节信息的情况下,从原始加速度信号中自动提取最优特征并分类,具有较高的分类准确率,可用于实时损伤检测。在实际工程中,被监测结构的振动响应信号中既包含结构损伤位置信息又包含了损伤程度信息,目前利用深度学习实现结构损伤识别时多用单任务学习算法,在对特征的提取过程中往往侧重于提取与任务需求有直接关联的敏感特征信息,而忽视了模型输入中所包含的其他有用的信息。为了避免单一任务学习的片面性,本文构建了基于一维空洞卷积神经网络的多任务深度学习模型。利用一维空洞卷积神经网络构建自适应共享特征提取器,从原始振动响应中提取浅层次的共享特征;其次,建立实现结构损伤位置识别和损伤程度量化的两个分支任务,通过不同任务之间的信息互补,实现对损伤信息更加全面、更深层次的提取,同时提高了损伤识别及损伤程度的识别精度。五层框架结构的数值算例和实验模型的损伤识别研究验证了多任务学习模型在模型收敛、识别精度上的优势以及良好的泛化性能。
王海权[5]（2021）在《基于模态的网架结构损伤识别模糊系统研究》文中提出近年来,随着经济的飞速发展,大跨度网架结构由于其自身各种优越性被广泛应用国内重点工程和大型工业建筑中。在网架结构在服役过程中,结构局部会有螺栓损坏、杆件变形等影响结构安全的损伤,这些损伤一般很不容易被发现。如果不及时对其发生的损伤进行维护处理,势必会造成建筑结构的整体倒塌,危害到人们的人身安全及财产安全。因此,每隔一段时间对正在服役的大型网架结构进行损伤检测很有必要性。本文在目前结构损伤领域的研究成果上,提出了基于频率变化平方比方法与模糊推理方法相结合的网架结构损伤识别方法。首先计算了网架结构全部杆件理论的频率变化平方比向量,通过ANSYS模拟杆件的损伤来计算实际的频率变化平方比向量,根据模态置信准则,判别两个向量之间是否具有很强的关联性,从而识别出发生损伤的杆件。然后分别构建了基于频率参数的模糊推理系统和基于振型参数的模糊推理系统,利用基于频率参数的网架结构损伤识别模糊推理方法来识别结构非对称位置杆件的损伤程度,通过基于振型参数的网架结构损伤识别模糊推理方法来判别对称位置杆件的损伤状态。本文对网架结构进行了数值模拟和试验分析。数值模拟部分,首先利用ANSYS软件对网架结构进行了模态分析,通过降低杆件的弹性模量来模拟杆件损伤,并提取了相应的频率和振型信息;然后将模拟得到的频率和振型数据经过处理,得到用于损伤定位的频率变化平方比向量及模糊推理系统的模糊规则;最后通过MATLAB中的模糊逻辑工具箱建立了基于频率参数和振型参数的模糊推理系统,将其应用到网架结构损伤识别中。为验证其有效性,分别设置了上弦杆、腹杆和下弦杆三种不同位置的损伤工况。试验部分使用力锤激励网架结构的激励点,同时利用传感器收集结构的响应信号,再通过DASP软件中模态分析版块直接获得结构的模态参数,提取结构第一阶振型数据和前六阶频率,将其作为结构损伤识别过程中的实测值,采用本文所提出的损伤检测方法对设置的工况进行了分析。通过数值模拟以及试验分析可知,利用频率变化平方比向量计算相关性可以准确确定杆件的损伤位置,但无法确定杆件损伤程度;通过基于频率参数的模糊推理系统可以准确判定杆件的大致损伤程度;通过基于振型参数的模糊推理系统能够有效识别出处于对称位置杆件的损伤状态。第一步损伤初步定位,第二步损伤程度判定,第三步损伤精确定位,三个步骤相辅相成,共同对网架结构进行了损伤识别,识别结果良好。
刘国辉[6]（2021）在《基于小波分析和WOA-PNN的滚动轴承故障诊断方法研究》文中研究说明滚动轴承属于典型的精密型零部件,然而它在使用过程中容易出现故障,通常,由该部件导致的设备故障占比约为三成。近些年,工业和科技发展极为迅速,滚动轴承正朝着高速化、大型化发展。大量研究显示,强化对该部件的诊断,能够更好的减小其维护投入,从而获得更高的经济效益。分析当前相关诊断系统自身的局限性,对提升该部件的最长使用年限,使之运用成本得到最大程度的下降等,都有着积极的作用,也有着显着的实用价值。目前针对于滚动轴承故障类型的诊断相对成熟的应用仅是专门针对于故障位置,也就是常见的四分类故障诊断模型,而在设计工程实践中并非只要轴承存在一定的故障就需要进行更换,有的设备则需要轴承的损坏达到一定的程度才进行更换,这就要求我们设计一种高精度的判断滚动轴承的损伤程度的模型。本次研究基于常见四分类,并以滚动轴承为对象,为其构建损伤程度诊断模型,然后对已有故障诊断技术进行充分分析,提出更为科学的方法,也就是将鲸鱼优化算法（Whale Optimization Algo r it hm,WO A）优化的概率神经网络（Pro babilist ic Neural Net wo rk,PNN）与小波变换（Wavelet Transfor mat io n,WT）进行综合,从而对其故障进行科学的诊断。本文实验数据是公开数据集来自西储大学（美）测取的滚动轴承振动信号,借助于小波降噪技术,对信号真实信息进行提取,使之信噪比得到提升。接着,借助小波包分解,得到不同频带系数,对其进行归一化处理,具体将其可定义成特征参量,将其用作PNN的输入向量,同时利用后者的分类与自适应功能,借助于自学习能力构成该部件的故障模型,接着运用新的振动信号展开测试,对该模型的有效性加以验证,并对该ANN进行优化,使之诊断精准性得到进一步提升。研究结果表明,基于小波分析和鲸鱼算法优化的概率神经网络相结合的诊断方法能够有效地对滚动轴承故障损伤程度进行检测、诊断。
周坪[7]（2021）在《钢丝绳视觉无损检测与评估方法研究》文中研究说明钢丝绳作为最重要的挠性构件之一,在如矿井提升系统、起重机、电梯、索道等各类提升运输系统中被广泛应用。由于其工作特性,在服役过程中不可避免的因异常摩擦、刮擦、碰撞、咬绳、弯曲疲劳等问题对钢丝绳绳体,尤其是绳体表面,造成断丝、磨损等损伤,若不能及时的检测或更换,甚至可能导致钢丝绳失效,发生提升运输系统重大安全事故,威胁使用人员生命财产安全。因此,使用可靠且高效的钢丝绳无损检测方法对保障钢丝绳的健康运行具有重要意义。然而,由于钢丝绳结构的复杂性、工作环境的多样性和检测方法的局限性,目前钢丝绳无损检测方法尚存在智能化程度低、检测效果差、检测的损伤信息不完全、无法对损伤状态及时作出可靠估计和评价等问题。本文针对目前钢丝绳无损检测与评估方法存在的不足,以视觉法为中心,引入群智能优化、深度学习、有限元、力学拉伸等方法及技术手段,开展钢丝绳图像采集与处理、损伤视觉识别、损伤量化估计、状态评估以及视觉动态采集与检测实验等研究,以解决损伤目标小、干扰大、形貌复杂、评估困难的问题,以期实现钢丝绳表面损伤的高效检测与评估,提高钢丝绳状态健康运维水平。主要研究内容包括:1)介绍了钢丝绳基础和数据驱动算法理论基础;结合实际情况分析了钢丝绳的工况条件和常见的损伤类型,以掌握其共性特点;设计了视觉检测评估方法总体方案,在建立全绳表面累积损伤视觉状态模型架构基础上,对方案进行了分析、设计和说明,为全文的展开作铺垫。2)为获得清晰而规范的钢丝绳图像数据,研究了钢丝绳图像高效采集与规范化处理方法。首先,根据视觉感知理论,建立了钢丝绳视觉感知模型,推导了各感知参数间的关系;然后,设计了钢丝绳周向图像采集系统基本架构,为实际应用提供依据和参考;接着,提出了图像数据规范化处理方法,对图像数据进行位姿调整、感兴趣区域提取和滤波去噪等处理,实现了非规范化位姿和光照下钢丝绳图像的预处理;最后,建立了钢丝绳动态视觉采集实验系统,并进行了动态采集实验。结果表明,钢丝绳图像动态采集成像受曝光时间影响较大,应在较大光照强度下设置较小曝光时间进行拍摄,且对于小目标损伤需采用倍镜成像。3)为解决钢丝绳表面损伤难以准确检测的问题,研究了数据驱动的钢丝绳表面损伤视觉识别方法。首先,提出了数据驱动的绳表面损伤视觉识别方法架构;然后,研究了基于特征工程的绳表面损伤分类方法,依次从多因素影响分析、多纹理特征提取与融合、优化算法设计及分类结果进行了研究,探明了特征算子、特征维数、算法性能对分类效果的影响;接着,为进一步提高损伤分类的智能化程度,研究了基于卷积神经网络的绳表面损伤端对端分类方法,基于Le Net-5进行设计以使其满足钢丝绳损伤分类任务,实现了绳损伤的准确分类;接着,为实现钢丝绳表面损伤的定位识别,引入深度目标检测算法,研究了基于改进YOLOv3的绳表面损伤识别方法;最后,搭建了损伤模拟实验平台,结合视觉动态采集实验系统,进行了钢丝绳表面损伤视觉动态检测识别实验。结果表明,对于钢丝绳表面损伤检测,端对端算法相较于基于特征工程的算法,检测精度高、过程更加智能化,无需人工提取特征过程,更加适用于实际工程应用。4)为掌握表面损伤钢丝绳的健康状态,研究了基于表面量化累积损伤的钢丝绳状态评估方法。首先,设计了表面累积损伤钢丝绳状态评估策略,建立起钢丝绳损伤视觉检测与状态评估的联系。然后,结合图像处理技术,提出了损伤程度量化估计方法。接着,基于该策略,为构建状态累积库,首先建立有限元模型进行有限元仿真分析,揭示拉伸载荷下不同损伤钢丝绳应力应变分布特性,定性探明损伤对力学性能的影响;然后对累积断丝和磨损损伤下的钢丝绳进行了拉伸试验研究,探明了表面量化累积损伤下的钢丝绳机械性能,定量掌握不同损伤下实际剩余机械强度。最后,结合试验、仿真结果与相关规程,对钢丝绳健康状态进行了评价。结果表明,通过所提评估方法能在一定程度上掌握钢丝绳表面损伤下的状态,而由于受钢丝绳不同型号、结构、损伤情况的影响,规程给出的指标可作为状态评估的大致参考值。本论文有图127幅、表20个、参考文献177篇。
文袁[8]（2021）在《基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究》文中认为近年来,我国桥梁工程事故的频发,结构健康监测系统能及时评估结构的运营状态,有效避免事故的发生,为桥梁结构的维护和管理提供决策的依据,是土木工程领域研究的重点。一方面,损伤识别是结构健康监测的核心部分。另一方面,随着桥梁服役年限的增加,复杂环境中的桥梁因为各种不确定性因素造成损伤的积累,最终可能引发桥梁事故,因此对桥梁结构进行损伤识别方法研究非常有必要。本文主要利用梁结构曲率模态参数的确定性识别方法结合信息熵理论、信息融合理论等不确定性识别方法展开损伤识别方法研究,提出一种基于模态信息熵和两阶段信息融合诊断的损伤识别方法,建立有限元模型,通过数值模拟和理论分析,进行方法的有效性和可靠性验证。通过实验室模型验证了模态曲率熵与两阶段信息融合诊断方法的工程适用性。本文开展的主要工作和研究结果如下:（1）基于曲率模态的理论基础,将模态曲率差、模态曲率比、广义柔度曲率差结合信息熵理论构建模态曲率差熵、模态曲率比熵、广义柔度曲率差熵（Generalized Flexibility Curvature Difference Entropy,GFCDE）三个指标。通过MIDAS/Civil建立简支梁和连续梁有限元模型,对比分析传统模态曲率指标与模态曲率熵指标在不同工况下的损伤结果,引入不同的噪声水平对三种模态曲率熵指标进行抗噪性验证。对比分析结果表明:GFCDE指标的前三阶损伤识别效果、抗噪性明显优于其他两种指标。（2）引入两阶段D-S证据理论信息融合方法,结合GFCDE指标对桥梁结构损伤识别方法进行进一步研究。建立简支梁和连续梁的有限元模型,获取结构的模态数据,计算结构损伤前后的前三阶GFCDE指标,将每一阶GFCDE损伤识别结果作为单个信息源,基于GFCDE指标和两阶段信息融合的方法编写MATLAB程序,对简支梁和连续梁进行不同工况的损伤识别。融合结果表明:两阶段信息融合的结果相比于仅用GFCDE指标的识别结果更明显,且具有良好的准确性和抗噪性。（3）通过力锤激励对简支钢梁进行振动模态测试试验,验证GFCDE指标和两阶段信息融合方法在实际工程中的适用性,通过对梁截面开口的深度和宽度模拟损伤程度大小,利用Coinv DASP MAS模态与动力学分析软件获取所需试验结构的前三阶模态振型值和频率值,按照信息融合步骤进行损伤识别与结果分析。实验结果分析表明:基于不确定性分析的两阶段信息融合方法对实验室模型的损伤识别效果较好,对实际工程有一定的指导作用。
懒伟荣[9]（2021）在《基于对称测点影响线差值及其曲率的桥梁损伤识别》文中认为桥梁作为道路交通系统的重要组成部分,其安全服役至关重要。随着交通荷载的持续增加,大多桥梁出现了不同程度的损伤和劣化,有些损伤直接影响运营安全。近年来,桥梁安全事故频发,不仅造成大量生命财产损失,也引起了社会恐慌,因此,开展桥梁健康监测与损伤识别的研究尤为迫切重要。本文基于目前桥梁损伤识别的研究现状,在前人研究的基础上,以影响线为切入点,提出利用对称测点的位移和转角影响线差值及其差值曲率作为损伤识别指标,主要研究内容如下:（1）在弹性范围内,依据虚功原理推导简支梁在移动荷载作用下对称测点的位移影响线差值表达式,然后求其差值曲率,根据对称测点的位移影响线差值定位损伤位置,根据差值曲率定位损伤区间。并利用一简支梁进行数值模拟,模拟了位于测点不同区域的多种损伤工况。（2）建立一三跨连续梁,基于对称测点的位移影响线差值及其差值曲率研究连续梁桥的损伤识别,布置位于连续梁不同区域的两组对称测点识别连续梁不同区域的单一损伤和多种损伤等不同工况,研究指标在连续梁损伤识别中的可行性和适用性。结果表明取位于连续梁边跨区域的对称测点比跨中区域的对称测点更为敏感。（3）在弹性范围内,依据虚功原理推导简支梁在移动荷载作用下对称测点的转角影响线差值表达式,并利用一简支梁进行数值模拟,模拟位于测点不同区域的多种损伤工况。（4）以小箱梁的单箱梁为背景,利用所提方法进行损伤识别验证。模拟多种损伤工况,对于小箱梁的多种损伤工况的损伤位置都可以精准识别。而后反演其损伤程度,随着损伤程度的不断增加,其识别损伤精度不断增大。损伤识别精确度与测点位置也有很大关系,可以根据实际桥梁的损伤情况,合理布置对称测点,如果条件允许可以布置多组对称测点进行损伤识别。（5）通过室内简支梁损伤诊断试验对本文所提方法进行验证,分别进行移动荷载加载和准静态加载。采用移动荷载加载识别桥梁任意测点的动态影响线,采用准静态加载得到对称测点的准静态影响线。然后基于对称测点准静态位移影响线差值定位损伤,通过差值曲率值识别损伤区间。
何坤[10]（2021）在《基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究》文中指出随着我国桥梁老化问题日益突出,桥梁损伤识别和健康监测已经成为未来桥梁发展的重要方向。基于结构振动特性和智能算法等理论的损伤识别方法已经得到很大的进展,但是,桥梁的损伤识别仍然存在很多难点,如实测完备信息获取难度大,环境噪声影响大,结构损伤程度定量分析难等困难。所以本文基于前人研究和结构损伤识别现状,结合信息熵,模态应变能和智能算法理论的优势进行了结构损伤定位分析与定量分析,相关研究如下:（1）对传统的模态应变能理论进行了改进,改进后的模态应变能理论同时采用了损伤前后的振型。结合改进模态应变能理论和信息熵理论,推导出损伤前后改进模态应变能熵函数,构造出新的损伤识别指标:改进模态应变能熵值变化率（Improved Modal Strain Energy Entropy Gradient,IMSEEG）来对结构的损伤位置进行分析。（2）建立了简支梁桥和桁架梁桥两种不同结构形式的桥梁进行数值模拟分析,验证了IMSEEG指标进行损伤定位的有效性和准确性,并运用数据拟合方法对结构的损伤程度进行了分析,且对其进行了抗噪性分析。（3）运用遗传算法优化BP神经网络的初始权值和阈值,构建GA-BP神经网络,以损伤识别指标IMSEEG作为网络的输入,输出各单元的刚度折减系数,以此来对结构的损伤进行定量分析。（4）为进一步验证IMSEEG指标和GA-BP神经网络的实际应用能力,进行了简支钢梁桥振动测试试验。以钢梁开槽模拟结构损伤工况,获取结构损伤前后的模态信息,按步骤对试验数据进行处理计算。全文结合理论分析、数值模拟及试验验证充分证明了本文方法的有效性和准确性。研究结果表明,本文所推导出的IMSEEG指标能够对简支梁和桁架梁桥的单点损伤和多点损伤进行准确定位。IMSEEG指标结合GA-BP神经网络能够对结构的单点损伤和多点损伤进行精确定量分析,相对误差能够保持在5%以内。IMSEEG在分析简支梁桥损伤时能够在信噪比为20d B及以上的环境下准确识别出损伤位置,在桁架梁桥结构中则需要在信噪比为40d B及以上的环境下才能精准定位损伤,表明随着结构复杂程度的提高,IMSEEG指标的抗噪性能会受到一定程度的影响。最后,基于简支钢梁试验进一步验证了损伤识别方法的准确性,但受到试验中不可控因素的影响,使得损伤识别精度有所降低。
二、基于神经网络的结构损伤诊断分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的结构损伤诊断分析（论文提纲范文）
（1）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）建筑结构安全智能化监测研究现状及展望（论文提纲范文）
| 1 新型传感设备与技术 |
| 1.1 局部监测 |
| 1.1.1 光纤光栅传感器 |
| 1.1.2 压电材料传感器 |
| 1.1.3 形状记忆合金 |
| 1.2 整体监测 |
| 1.2.1 摄影及视频测量技术 |
| 1.2.2 GPS技术 |
| 1.2.3 测量机器人 |
| 2 数据的智能传输与处理 |
| 3 结构损伤识别 |
| 3.1 基于动力参数的损伤识别 |
| 3.2 基于静力参数的损伤识别 |
| 3.3 动静参数相结合的损伤识别 |
| 4 结构安全诊断与评定的智能算法 |
| 5 结论与展望 |
（3）基于小波包分析的杆系结构损伤诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 该课题的研究背景和意义 |
| 1.2 结构损伤诊断的方法 |
| 1.3 损伤识别的四个层次 |
| 1.4 小波分析的发展历程 |
| 1.5 本文的主要研究内容 |
| 2 小波及小波包分析的理论知识 |
| 2.1 小波分析理论 |
| 2.1.1 傅里叶变换 |
| 2.1.2 小波变换简介 |
| 2.1.3 多分辨分析 |
| 2.2 小波包分析 |
| 2.2.1 小波包的定义 |
| 2.2.2 小波包的性质 |
| 2.2.3 小波包的空间分解 |
| 2.2.4 小波包算法 |
| 2.3 几种常用的小波 |
| 2.3.1 Heer小波 |
| 2.3.2 Daubechies小波系 |
| 2.3.3 biorthogonal小波系 |
| 2.3.4 Coiflet小波系 |
| 2.3.5 SymletsA小波系 |
| 2.3.6 Morlet(morl)小波 |
| 2.3.7 Mexican Hat(mexh)小波 |
| 2.3.8 Meyer函数 |
| 2.4 小波的选择 |
| 2.5 本章小结 |
| 3 基于小波包平面框架结构损伤识别 |
| 3.1 ANSYS概述 |
| 3.2 平面单层框架结构损伤识别 |
| 3.2.1 平面单层框架模型的建立 |
| 3.2.2 基于小波分析的损伤识别 |
| 3.2.3 基于小波包的损伤识别 |
| 3.3 平面双层框架结构损伤分析识别 |
| 3.3.1 平面双层框架模型的建立 |
| 3.3.2 基于小波分析的损伤识别分析 |
| 3.3.3 基于小波包的损伤分析识别 |
| 3.4 本章小结 |
| 4 基于小波包的空间框架结构损伤识别 |
| 4.1 概述 |
| 4.2 单层单跨框架结构损伤识别 |
| 4.2.1 空间有限单元模型的建立 |
| 4.2.2 基于小波包对模型三工况一的损伤识别 |
| 4.2.3 基于小波包对模型三工况二的损伤识别 |
| 4.3 基于小波包对模型四的损伤识别 |
| 4.3.1 两层空间框架结构有限元模型的建立 |
| 4.3.2 基于小波包对模型四工况一的损伤识别 |
| 4.3.3 基于小波包对模型四工况二的损伤识别 |
| 4.4 本章总结 |
| 5 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（4）基于空洞卷积和多任务学习的结构损伤识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 基于振动的结构损伤识别研究现状 |
| 1.2.1 基于振动的传统结构损伤识别方法 |
| 1.2.2 基于机器学习的结构损伤识别方法 |
| 1.2.3 基于深度学习的结构损伤识别方法 |
| 1.3 本文的主要研究内容 |
| 1.4 本论文的结构安排 |
| 第2章 深度学习理论基础 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 激活层 |
| 2.1.3 池化层 |
| 2.1.4 全连接层 |
| 2.1.5 全局池化层 |
| 2.1.6 损失函数 |
| 2.2 一维卷积神经网络误差反向传播 |
| 2.2.1 全连接层反向传播 |
| 2.2.2 池化层反向传播 |
| 2.2.3 卷积层反向传播 |
| 2.3 多任务学习概述 |
| 2.3.1 多任务学习与单任务学习 |
| 2.3.2 基于深度学习的多任务学习方法 |
| 2.4 优化算法 |
| 2.5 本章小结 |
| 第3章 基于一维空洞卷积神经网络的结构损伤检测方法 |
| 3.1 一维空洞卷积神经网络 |
| 3.1.1 一维空洞卷积神经网络算法描述 |
| 3.1.2 一维空洞卷积神经网络模型 |
| 3.2 代价敏感学习 |
| 3.3 结构模型实验 |
| 3.3.1 实验装置 |
| 3.3.2 实验数据采集 |
| 3.3.3 实验数据预处理 |
| 3.4 计算结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 均衡样本识别 |
| 3.4.3 不均衡样本识别 |
| 3.4.4 基于代价敏感学习的不均衡样本识别 |
| 3.4.5 结构振动信号特征的自动提取 |
| 3.5 本章小结 |
| 第4章 基于多任务深度学习结构损伤诊断模型 |
| 4.1 MTL-1DDCNN损伤诊断模型 |
| 4.2 框架结构单损伤识别 |
| 4.2.1 单损伤工况 |
| 4.2.2 计算结果对比分析 |
| 4.3 框架结构多损伤识别 |
| 4.3.1 多损伤工况 |
| 4.3.2 计算结果对比分析 |
| 4.4 模型泛化性能研究 |
| 4.4.1 两损伤工况 |
| 4.4.2 计算结果对比分析 |
| 4.5 框架实验验证 |
| 4.5.1 框架实验模型 |
| 4.5.2 试验方案 |
| 4.5.3 数值模拟 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）基于模态的网架结构损伤识别模糊系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 结构模态参数识别研究现状 |
| 1.3 结构损伤识别的方法 |
| 1.3.1 静力损伤识别方法 |
| 1.3.2 动力损伤识别方法 |
| 1.3.3 基于计算智能的损伤识别方法 |
| 1.4 本文研究内容 |
| 第2章 模糊系统基本理论 |
| 2.1 模糊逻辑基础 |
| 2.1.1 模糊集合 |
| 2.1.2 隶属度函数 |
| 2.2 模糊推理规则 |
| 2.2.1 语言变量 |
| 2.2.2 蕴含关系 |
| 2.2.3 逻辑推理 |
| 2.3 模糊推理系统 |
| 2.3.1 TSK型模糊推理系统 |
| 2.3.2 纯模糊推理系统 |
| 2.3.3 Mamdani模糊推理系统 |
| 2.4 本章小结 |
| 第3章 基于频率变化平方比向量损伤定位 |
| 3.1 基本方程和理论分析 |
| 3.2 向量置信准则 |
| 3.3 数值模拟及模态分析 |
| 3.3.1 模型概况 |
| 3.3.2 模态分析 |
| 3.4 频率平方变化比向量确定结构的损伤位置 |
| 3.5 本章小结 |
| 第4章 基于模糊系统的结构损伤识别数值模拟分析 |
| 4.1 基于频率变化的网架结构模糊推理损伤识别系统 |
| 4.1.1 模糊推理系统框架结构的建立 |
| 4.1.2 数值模拟分析 |
| 4.1.3 结果分析 |
| 4.2 基于振型比值的模糊推理损伤识别系统 |
| 4.2.1 模糊推理系统框架结构的建立 |
| 4.2.2 数值模拟分析 |
| 4.2.3 结果分析 |
| 4.3 本章小结 |
| 第5章 基于模糊系统的结构损伤识别试验分析 |
| 5.1 试验目的 |
| 5.2 试验方案 |
| 5.2.1 试验模型 |
| 5.2.2 试验仪器及其连接方式 |
| 5.2.3 试验步骤 |
| 5.2.4 激励方法 |
| 5.2.5 激励位置 |
| 5.2.6 工况设置 |
| 5.3 试验结果分析 |
| 5.3.1 采样结果 |
| 5.3.2 DASP软件输出结果 |
| 5.3.3 损伤识别结果 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 在校期间的研究成果及发表的学术论文 |
| 致谢 |
（6）基于小波分析和WOA-PNN的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题介绍 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于信号分析的滚动轴承常规故障诊断 |
| 1.2.2 基于知识推理的滚动轴承智能故障诊断 |
| 1.2.3 基于神经网络的滚动轴承故障诊断 |
| 1.2.4 滚动轴承技术发展的制约因素 |
| 1.2.5 滚动轴承技术发展的局限性 |
| 1.3 滚动轴承的故障诊断内容 |
| 1.4 论文的主要研究内容 |
| 第二章 滚动轴承结构及故障理论分析 |
| 2.1 滚动轴承的结构 |
| 2.2 滚动轴承的故障类型及成因 |
| 2.2.1 滚动轴承的故障类型 |
| 2.2.2 滚动轴承的故障成因 |
| 2.3 滚动轴承的故障诊断方法 |
| 2.4 滚动轴承振动分析 |
| 2.4.1 滚动轴承的振动机理 |
| 2.4.2 滚动轴承的特征频率 |
| 2.4.3 滚动轴承的固有振动频率 |
| 2.5 本章小结 |
| 第三章 小波降噪与小波包特征提取 |
| 3.1 小波分析理论 |
| 3.1.1 小波分析的发展 |
| 3.1.2 小波变换的数学基础 |
| 3.1.3 连续小波变换 |
| 3.1.4 离散小波变换 |
| 3.2 小波降噪 |
| 3.2.1 信号降噪性能的评价标准 |
| 3.2.2 小波降噪的数学基础 |
| 3.3 小波包基本理论 |
| 3.3.1 小波包定义 |
| 3.3.2 小波包性质 |
| 3.4 小波基函数的选择 |
| 3.5 滚动轴承振动信号的小波分析 |
| 3.5.1 信号的小波降噪 |
| 3.5.2 信号的小波包分解与包络谱分析 |
| 3.6 本章小结 |
| 第四章 基于PNN与BP神经网络的滚动轴承故障诊断 |
| 4.1 神经网络简介 |
| 4.2 神经网络的发展 |
| 4.2.1 历史发展阶段 |
| 4.2.2 国内发展概况 |
| 4.2.3 神经网络研究现状 |
| 4.2.4 神经网络的应用 |
| 4.3 基于PNN与BP神经网络的滚动轴承故障诊断 |
| 4.3.1 PNN概述 |
| 4.3.2 PNN的特点 |
| 4.3.3 BP神经网络模型及其原理 |
| 4.3.4 BP神经网络的特点 |
| 4.3.5 PNN与BP神经网络对滚动轴承故障诊断的准确率的对比 |
| 4.4 本章小结 |
| 第五章 基于小波分析和WOA-PNN的滚动轴承故障诊断方法研究 |
| 5.1 信号降噪 |
| 5.2 降噪信号的小波包分解与归一化 |
| 5.2.1 降噪信号的小波包分解 |
| 5.2.2 小波包系数的归一化 |
| 5.3 PNN的训练与故障诊断的验证 |
| 5.4 鲸鱼算法优化PNN |
| 5.4.1 鲸鱼算法简介 |
| 5.4.2 鲸鱼算法对PNN的优化 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读学位期间发表论文与专利目录 |
| 附录B 攻读学位期间参与的研究工作 |
（7）钢丝绳视觉无损检测与评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题的引出 |
| 1.4 本文研究内容 |
| 1.5 全文组织 |
| 2 基础理论及钢丝绳视觉检测评估总体方案设计 |
| 2.1 钢丝绳基础 |
| 2.2 数据驱动算法理论基础 |
| 2.3 工况条件与损伤分析 |
| 2.4 全绳表面累积损伤视觉状态模型架构设计 |
| 2.5 总体方案设计与说明 |
| 2.6 本章小结 |
| 3 钢丝绳图像采集与处理方法研究 |
| 3.1 钢丝绳视觉感知模型 |
| 3.2 周向图像采集系统设计 |
| 3.3 图像数据规范化处理 |
| 3.4 动态采集实验 |
| 3.5 本章小结 |
| 4 数据驱动的钢丝绳表面损伤视觉识别方法研究 |
| 4.1 绳表面损伤识别方法架构 |
| 4.2 基于特征工程的绳表面损伤分类方法 |
| 4.3 基于端对端的绳表面损伤分类方法 |
| 4.4 基于目标检测算法的绳表面损伤定位识别方法 |
| 4.5 表面损伤视觉动态检测识别实验 |
| 4.6 本章小结 |
| 5 表面量化累积损伤下钢丝绳状态评估方法研究 |
| 5.1 状态评估策略 |
| 5.2 表面损伤程度量化估计方法 |
| 5.3 损伤状态累积库的构建 |
| 5.4 状态评价分析与讨论 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 论文创新之处 |
| 6.3 存在不足和研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 结构损伤识别研究综述 |
| 1.2.1 结构损伤识别确定性方法 |
| 1.2.2 结构损伤识别不确定性方法 |
| 1.3 存在的问题 |
| 1.4 本文研究的目的和内容 |
| 1.5 本文研究技术路线 |
| 第2章 曲率模态和信息融合基本理论 |
| 2.1 引言 |
| 2.2 模态曲率的基本理论 |
| 2.3 信息熵的基本理论 |
| 2.4 信息融合的基本理论 |
| 2.4.1 信息融合理论概述 |
| 2.4.2 D-S证据理论 |
| 2.4.3 D-S证据理论的融合规则 |
| 2.5 结构单元损伤模拟方法 |
| 2.6 结构损伤识别中噪声的模拟方法 |
| 2.7 本章小结 |
| 第3章 基于曲率模态熵的结构损伤诊断对比研究 |
| 3.1 引言 |
| 3.2 模态熵指标的计算流程 |
| 3.2.1 曲率指标局部概率的建立 |
| 3.2.2 曲率模态熵指标计算 |
| 3.3 损伤程度识别原理 |
| 3.4 算例验证 |
| 3.4.1 简支梁模型建立 |
| 3.4.2 损伤工况设置 |
| 3.4.3 结构损伤识别结果分析 |
| 3.4.4 结构损伤程度识别研究 |
| 3.4.5 指标抗噪性能研究 |
| 3.5 本章小结 |
| 第4章 基于GFCDE指标与两阶段D-S证据信息融合损伤诊断研究 |
| 4.1 引言 |
| 4.2 两阶段信息融合的计算 |
| 4.3 简支梁仿真模拟及结果分析 |
| 4.2.1 模型建立 |
| 4.2.2 工况设置 |
| 4.2.3 仿真模拟及融合步骤 |
| 4.2.4 两阶段D-S证据理论信息融合结果分析 |
| 4.4 连续梁仿真模拟及结果分析 |
| 4.3.1 模型建立 |
| 4.3.2 工况设置 |
| 4.3.3 两阶段D-S证据理论信息融合结果分析 |
| 4.5 抗噪性能分析 |
| 4.6 本章小结 |
| 第5章 基于GFCDE指标与两阶段D-S证据信息融合的试验验证 |
| 5.1 引言 |
| 5.2 试验模型设计与制作 |
| 5.3 损伤模拟及工况设置 |
| 5.3.1 损伤单元等效刚度的确定 |
| 5.3.2 简支钢梁模态参数提取 |
| 5.4 简支钢梁结构有限元模拟及结果分析 |
| 5.4.1 试验结构有限元模拟 |
| 5.4.2 有限元模拟结果分析 |
| 5.5 简支钢梁两阶段D-S证据信息融合试验验证 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A:攻读学位期间参与的科研与工程项目 |
（9）基于对称测点影响线差值及其曲率的桥梁损伤识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 对称测点位移影响线差值理论 |
| 2.1 引言 |
| 2.2 理论基础 |
| 2.2.1 简支梁受集中荷载的弯矩表达式 |
| 2.2.2 虚设单位集中力产生的弯矩表达式 |
| 2.2.3 对称测点的位移影响线差值 |
| 2.3 测点的位移影响线表达式 |
| 2.3.1 测点1的位移影响线达式 |
| 2.3.2 测点2的位移影响线表达式 |
| 2.3.3 对称测点位移影响线差值表达式 |
| 2.4 数值模拟 |
| 2.4.1 损伤位置识别 |
| 2.4.2 损伤程度识别 |
| 2.5 本章小结 |
| 第三章 基于对称测点位移影响线差值的连续梁损伤识别 |
| 3.1 引言 |
| 3.2 数值模拟 |
| 3.2.1 单损伤识别 |
| 3.2.2 多损伤识别 |
| 3.3 本章小结 |
| 第四章 基于对称测点转角影响线差值的桥梁损伤识别 |
| 4.1 引言 |
| 4.2 理论分析 |
| 4.2.1 简支梁受集中荷载的弯矩表达式 |
| 4.2.2 虚设单位集中力偶产生的弯矩表达式 |
| 4.2.3 对称测点的转角影响线差值 |
| 4.3 测点的转角影响线表达式 |
| 4.3.1 测点1的转角影响线表达式 |
| 4.3.2 测点2的转角影响线表达式 |
| 4.3.3 对称测点转角影响线差值表达式 |
| 4.4 数值模拟 |
| 4.4.1 单损伤识别 |
| 4.4.2 多损伤识别 |
| 4.5 本章小结 |
| 第五章 基于对称测点的桥梁损伤程度量化以及试验验证 |
| 5.1 引言 |
| 5.2 简支小箱梁数值模拟 |
| 5.2.1 箱梁损伤位置识别 |
| 5.2.2 箱梁损伤程度识别 |
| 5.3 试验验证 |
| 5.3.1 移动荷载加载 |
| 5.3.2 准静态加载 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
（10）基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 结构损伤识别研究进展 |
| 1.2.1 基于模态应变能的结构损伤识别 |
| 1.2.2 基于信息熵理论的结构损伤识别 |
| 1.2.3 基于人工智能算法的结构损伤识别 |
| 1.3 现有损伤识别方法的不足 |
| 1.4 本文主要研究内容及技术路线 |
| 第2章 理论基础 |
| 2.1 模态应变能理论 |
| 2.2 信息熵理论 |
| 2.2.1 信息熵的定义 |
| 2.2.2 信息熵的性质 |
| 2.3 GA-BP神经网络理论 |
| 2.3.1 BP神经网络 |
| 2.3.2 基于遗传算法优化的BP神经网络 |
| 2.4 抗噪性理论 |
| 2.5 结构单元损伤模拟方法 |
| 2.6 振型扩阶理论 |
| 2.7 本章小结 |
| 第3章 基于改进模态应变能熵值变化率的桥梁损伤识别研究 |
| 3.1 引言 |
| 3.2 改进模态应变能熵值变化率的推导 |
| 3.3 简支梁桥损伤识别 |
| 3.3.1 简支矩形梁桥数值模型 |
| 3.3.2 基于RMSED和 IMSEEG的简支梁桥单点损伤对比分析 |
| 3.3.3 多点损伤工况分析 |
| 3.3.4 损伤程度分析 |
| 3.3.5 抗噪性分析 |
| 3.4 桁架梁桥损伤识别 |
| 3.4.1 桁架梁桥模型 |
| 3.4.2 单点损伤工况分析 |
| 3.4.3 多点损伤工况分析 |
| 3.4.4 噪声影响下的桁架梁桥损伤识别 |
| 3.5 本章小结 |
| 第4章 基于GA-BP神经网络的桥梁损伤定量分析 |
| 4.1 引言 |
| 4.2 GA-BP神经网络的损伤识别模型设计 |
| 4.2.1 BP神经网络模型设计 |
| 4.2.2 GA-BP算法模型设计 |
| 4.2.3 GA-BP神经网络的桥梁损伤识别步骤 |
| 4.3 简支梁桥损伤定量分析 |
| 4.3.1 算法运行参数设置 |
| 4.3.2 简支梁桥单点损伤定量分析 |
| 4.3.3 简支梁桥多点损伤定量分析 |
| 4.4 桁架梁桥损伤定量分析 |
| 4.4.1 算法运行参数设置 |
| 4.4.2 桁架梁桥单点损伤定量分析 |
| 4.4.3 桁架梁桥多点损伤定量分析 |
| 4.5 本章小结 |
| 第5章 基于IMSEEG和GA-BP神经网络的桥梁损伤识别的试验验证 |
| 5.1 引言 |
| 5.2 试验方案设计 |
| 5.2.1 试验目的及仪器 |
| 5.2.2 试验内容及测点布置 |
| 5.2.3 试验工况设置 |
| 5.3 试验模型有限元模拟分析 |
| 5.4 基于IMSEEG方法的试验验证 |
| 5.4.1 试验数据获取及处理 |
| 5.4.2 试验结果分析 |
| 5.5 基于GA-BP神经网络方法的试验验证 |
| 5.5.1 算法运行参数设置 |
| 5.5.2 训练集及测试集样本获取 |
| 5.5.3 基于GA-BP神经网络的损伤定量分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A:攻读学位期间参与的科研与工程项目 |
四、基于神经网络的结构损伤诊断分析（论文参考文献）
- [1]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021(02)
- [2]建筑结构安全智能化监测研究现状及展望[J]. 李笑林,杨璐,许镇,黄雅楠,代鹏. 土木工程与管理学报, 2021(05)
- [3]基于小波包分析的杆系结构损伤诊断研究[D]. 肖运蔚. 中南林业科技大学, 2021(01)
- [4]基于空洞卷积和多任务学习的结构损伤识别研究[D]. 李睿. 南昌大学, 2021
- [5]基于模态的网架结构损伤识别模糊系统研究[D]. 王海权. 北京建筑大学, 2021(01)
- [6]基于小波分析和WOA-PNN的滚动轴承故障诊断方法研究[D]. 刘国辉. 昆明理工大学, 2021(01)
- [7]钢丝绳视觉无损检测与评估方法研究[D]. 周坪. 中国矿业大学, 2021
- [8]基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究[D]. 文袁. 兰州理工大学, 2021(01)
- [9]基于对称测点影响线差值及其曲率的桥梁损伤识别[D]. 懒伟荣. 兰州理工大学, 2021(01)
- [10]基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究[D]. 何坤. 兰州理工大学, 2021(01)