CN103543026B - 基于振动传递率函数和支持向量机的结构损伤识别方法 - Google Patents

Abstract

本发明涉及结构损伤识别领域，特别涉及一种基于振动传递率函数和支持向量机的结构损伤识别方法，利用加速度响应构造振动传递率函数，将振动传递率函数的幅值作为分析信号，通过小波包分解与重构获得各频带信号，并计算得到各频带信号的能量E_Nj，将结构损伤前后各频带信号的能量的变化量⊿E_Nj作为损伤特征指标，利用支持向量机的模式识别功能进行结构损伤识别。本发明的结构损伤识别方法不受激励幅值影响，同时避免了神经网络结构难于确定以及易陷于局部极小化等问题的结构损伤识别方法，可操作性强，提高了处理精度，简化了损伤识别过程。

Description

基于振动传递率函数和支持向量机的结构损伤识别方法

技术领域

本发明涉及结构损伤识别领域，特别涉及一种基于振动传递率函数和支持向量机的结构损伤识别方法。

背景技术

由于受到各种荷载的作用以及环境因素的影响，土木工程结构在服役期间会出现不同程度的损伤，若不及时发现并采取措施，后果不堪设想，因此有必要进行结构的损伤识别研究。迄今为止，人们研究并提出了许多结构损伤识别方法，其中，基于振动响应分析的结构损伤识别方法是一种很有前途的方法。

目前，直接将结构的加速度响应作为分析信号进行小波包分解与重构，计算各频带的能量，将结构损伤前后的各频带能量差，作为结构损伤特征向量，通过神经网络进行结构损伤识别时，会受到激励幅值的影响，同时还会遇到神经网络结构难于确定以及易陷于局部极小化等问题。

发明内容

本发明针对直接利用结构加速度响应，结合小波包分解和神经网络进行结构损伤识别时，会受到激励幅值的影响，同时还会遇到神经网络结构难于确定以及易陷于局部极小化等问题，提供了一种不受激励幅值影响，避免了神经网络结构难于确定以及易陷于局部极小化等问题的结构损伤识别方法。

本发明所采取的技术方案是：一种基于振动传递率函数和支持向量机的结构损伤识别方法，具体步骤如下：

步骤1：获取结构损伤前后部分测点的加速度响应信号，通过傅里叶变换计算振动传递率函数：

$T_{\mathrm{ij}\left(\mathrm{\ω}\right)}=\frac{A_{i\left(\mathrm{\ω}\right)}}{A_{j\left(\mathrm{\ω}\right)}}---\left(1\right)$

式中，A_i（ω），A_j（ω）为响应信号的傅里叶变换；

步骤2：将振动传递率函数的幅值作为分析信号，对其进行N层小波包分解，得到从低频到高频2^N个频带成分的特征信号D_Nj，j=1，2，3，…，2^N。对小波包分解系数进行重构，提取各频带范围的信号，计算各频带信号的能量：

$E_{\mathrm{Nj}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|d_{\mathrm{jk}}\right|}^2---\left(2\right)$

式中，d_jk为重构信号D_Nj的第k个离散点的幅值，n表示重构信号D_Nj的离散点的个数，j=0，l，…，2^N-1，k=1，2，…，n；

小波包分解将频带进行多层次划分，这些分解频带信号都具有一定的能量，不同损伤的频带能量分布不同，所以频带能量的相对变化可以反映不同的损伤类型，这里将结构损伤前后振动传递率函数幅值的小波包分解能量变化量⊿E_Nj作为损伤特征指标；

步骤3：将步骤（2）所得的⊿E_Nj的损伤特征指标，利用支持向量机的模式识别功能进行结构损伤识别。支持向量机是建立在统计学习理论和结构风险最小原理基础之上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳平衡，以求获得最好的推广能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。由于支持向量机是一个二次优化问题，所得到的解是全局最优，从而避免了人工神经网络的网络结构难于确定以及易陷于局部极小化等问题。

本发明的有益效果是：本发明提供的基于振动传递率函数和支持向量机的结构损伤识别方法，先利用加速度响应构造传递率函数，而传递率函数不受激励幅值影响，将传递率函数的幅值取代加速度响应作为分析信号进行结构损伤识别，可以不受激励幅值的影响，由于利用支持向量机的模式识别功能取代了神经网络进行结构损伤识别，避免了利用神经网络时遇到的网络结构难于确定以及易陷于局部极小化的问题，可操作性强，提高了处理精度，简化了损伤识别过程。

附图说明

图1为本发明所述的结构损伤识别方法的流程图。

具体实施方式

本发明的具体实施方式如下：

一种基于振动传递率函数和支持向量机的结构损伤识别方法，所述流程图见图1，具体步骤如下：

步骤1：获取结构损伤前后部分测点的加速度响应信号，通过傅里叶变换计算振动传递率函数：

$T_{\mathrm{ij}\left(\mathrm{\ω}\right)}=\frac{A_{i\left(\mathrm{\ω}\right)}}{A_{j\left(\mathrm{\ω}\right)}}---\left(1\right)$

式中，A_i（ω），A_j（ω）分别为a，b点响应信号的傅里叶变换；

步骤2：将振动传递率函数的幅值作为分析信号，对其进行N层小波包分解，得到从低频到高频2^N个频带成分的特征信号D_Nj，j=1，2，3，…，2^N。对小波包分解系数进行重构，提取各频带范围的信号，计算各频带信号的能量：

$E_{\mathrm{Nj}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|d_{\mathrm{jk}}\right|}^2---\left(2\right)$

式中，d_jk为重构信号D_Nj的第k个离散点的幅值，n表示重构信号D_Nj的离散点的个数，j=0，l，…，2^N-1，k=1，2，…，n；

小波包分解将频带进行多层次划分，这些分解频带信号都具有一定的能量，不同损伤的频带能量分布不同，所以频带能量的相对变化可以反映不同的损伤类型，这里将结构损伤前后振动传递率函数幅值的小波包分解能量变化量⊿E_Nj作为损伤特征指标；

步骤3：将步骤（2）所得的⊿E_Nj的损伤特征指标，利用支持向量机的模式识别功能进行结构损伤识别。确定结构可能的损伤工况数n，计算每种工况相应的样本（损伤特征指标）数m，选取其中的m1个样本作为训练支持向量机的数据，余下的（m-m₁）个样本作为测试数据。

Claims (1)

1.一种基于振动传递率函数和支持向量机的结构损伤识别方法，其特征在于包括如下步骤：

步骤1：获取结构损伤前后部分测点的加速度响应信号，通过傅里叶变换计算振动传递率函数：

$T_{\mathrm{ij}\left(\mathrm{\ω}\right)}=\frac{A_{i\left(\mathrm{\ω}\right)}}{A_{j\left(\mathrm{\ω}\right)}}---\left(1\right)$

式中，A_i(ω)，A_j(ω)为响应信号的傅里叶变换；

步骤2：对步骤(1)所得的振动传递率函数的幅值进行N层小波包分解与重构，提取各频带范围的信号，计算各频带信号的能量：

$E_{\mathrm{Nj}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|d_{\mathrm{jk}}\right|}^2---\left(2\right)$

式中，d_jk为重构信号D_Nj的第k个离散点的幅值，n表示重构信号D_Nj的离散点的个数，j＝0，l，…，2^N-1，k＝1，2，…，n；

将结构损伤前后振动传递率函数幅值的小波包分解能量变化量⊿E_Nj作为损伤特征指标；

步骤3：将步骤(2)所得的⊿E_Nj的损伤特征指标，利用支持向量机的模式识别功能进行结构损伤识别。