CN109472111A - 一种基于arch模型的非线性结构损伤识别方法 - Google Patents

一种基于arch模型的非线性结构损伤识别方法 Download PDF

Info

Publication number
CN109472111A
CN109472111A CN201811444081.9A CN201811444081A CN109472111A CN 109472111 A CN109472111 A CN 109472111A CN 201811444081 A CN201811444081 A CN 201811444081A CN 109472111 A CN109472111 A CN 109472111A
Authority
CN
China
Prior art keywords
layer
model
arch model
sequence
conditional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811444081.9A
Other languages
English (en)
Inventor
郭惠勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201811444081.9A priority Critical patent/CN109472111A/zh
Publication of CN109472111A publication Critical patent/CN109472111A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Architecture (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Civil Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Structural Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于ARCH模型的非线性结构损伤识别方法，包括以下步骤：分别采集多层结构在基准状态和待检测状态下每层结构的加速度时程响应；分别建立基准状态与待检测状态下每层结构的线性AR模型；分别计算基准状态与待检测状态下每层结构的残差序列；根据残差序列，分别建立每层结构的基准ARCH模型与待测ARCH模型；根据基准ARCH模型、待测ARCH模型分别提取每层结构的基准条件异方差序列、待测条件异方差序列；根据基准条件异方差序列与待测条件异方差序列计算概率化条件方差指标PVCI；根据PVCI指标计算条件异方差转换指标ARCHCI；根据ARCHCI指标进行非线性结构损伤识别。本发明能够提高对结构非线性损伤的识别能力，能够具有较高的抗干扰性，从而提高识别的可靠性。

Description

一种基于ARCH模型的非线性结构损伤识别方法
技术领域
本发明属于结构损伤识别技术领域，特别是一种识别结构的非线性损伤的方法。
背景技术
工程结构在服役过程中由于环境影响、人为破坏以及材料自身性能的变异和退化等因素，可能会出现各种损伤，严重损伤会引起建筑物的倒塌或者失效，从而造成巨大的经济和人员生命损失，故有必要对结构损伤进行识别研究。基于时域的损伤识别法是目前研究的热点之一，其可以直接利用结构动力响应的时程数据进行损伤识别。相比于频域法，时域方法不需要对信号进行时频转换，直接使用测量信号对结构进行损伤识别，减少了转换过程中有用信息的丢失，因此，基于时域的方法识别效果更可靠。
现有技术中基于时域的AR(Auto Regressive Mode)模型来进行结构损伤识别，但是AR模型是一种线性自回归模型，并不能反应真实损伤情况，因为在实际工程中结构出现的损伤往往具有非线性特性，例如裂纹损伤，构件在外部时程荷载作用下(如风荷载、地震荷载等等)，会产生时域响应，这时杆件的裂纹会随着结构振动产生时域的闭合和张开效应，闭合时刚度完整、张开时刚度消减，从而产生刚度损伤的时域非线性问题。
对于非线性问题，使用线性时间序列模型的损伤识别只能给出近似结果，不能更加详细的反应结构的损伤状况。如果需要更加贴近实际情况，则要提取时间序列中的非线性损伤信息，从而判断结构的真实损伤情况，采用与之相应的非线性模型是必不可少的。ARCH模型是自回归条件异方差(Auto Regressive Conditional Heteroskedasticity)模型，是由Engle于1982年提出的时域模型，该模型最初被成功地应用于金融领域并取得了较好的效果，Engle也因此荣获2003年度诺贝尔经济学奖，目前，ARCH模型已经渐渐被应用于其他领域，其对非线性问题可以取得较好的分析效果
发明内容
针对上述现有技术的不足，本发明提供一种基于ARCH模型的非线性结构损伤识别方法，解决现有技术采用线性模式不能准确识别结构的非线性损伤的技术问题，能提高对结构非线性损伤的识别能力，能够具有较高的抗干扰性，从而提高识别的可靠性。
为解决上述技术问题，本发明的技术方案如下：一种基于ARCH模型的非线性结构损伤识别方法，包括以下步骤：
步骤1：分别采集多层结构在基准状态和待检测状态下每层结构的加速度时程响应；所述基准状态是指多层结构未发生损伤的初始状态；
步骤2：根据基准状态与待检测状态下每层结构的加速度时程响应，分别建立基准状态与待检测状态下每层结构的线性AR模型；
步骤3：根据基准状态与待检测状态下每层结构的加速度时程响应与对应的线性AR模型分别计算基准状态与待检测状态下每层结构的残差序列；
步骤4：根据基准状态下与待检测状态下的每层结构的残差序列，分别建立每层结构的基准ARCH模型与待测ARCH模型；
步骤5：根据每层结构的基准ARCH模型提取与基准状态下每层结构的残差序列对应的基准条件异方差序列；
步骤6：根据每层结构的待测ARCH模型提取与待测状态下每层结构的残差序列对应的待测条件异方差序列；
步骤7：根据每层结构的基准条件异方差序列与对应每层结构的待测条件异方差序列计算每层结构的概率化条件方差指标PVCI；
步骤8：根据每层结构的概率化条件方差指标计算每层结构的条件异方差转换指标ARCHCI；
步骤9：根据每层结构的条件异方差转换指标进行非线性结构损伤识别。
优选的，步骤2中线性AR模型的通式为：
式中，y′t表示t时刻的加速度时程响应的模拟值；c为常量；p表示模型自回归的阶数；y′t-1,......,y′t-p表示p个过去观测值的模拟值；为模型自回归的系数。
优选的，步骤3中每层结构的残差序列均按如下方式计算：各时刻的加速度时程响应减去各时刻的线性AR模型得到各时刻的残差，将各时刻的残差组合成的集合作为残差序列，其中，t时刻的残差εt按如下公式计算：εt＝y″t-y′t；其中，y″t表示t时刻的加速度时程响应的测量值，y′t表示线性AR模型中t时刻的加速度时程响应的模拟值。
优选的，ARCH模型的通式为：c为常量；p表示模型自回归的阶数；yt表示t时刻的状态，yt-1,......,yt-p表示p个过去观测值；为模型自回归的系数；εt为t时刻的残差。
优选的，根据ARCH模型的似然函数进行参数估计以建立ARCH模型；ARCH模型的似然函数如下：
其中，εt＝σtzt，σt表示条件均方差，zt为标准正态分布的随机数；
σt 2表示条件异方差：
q是解释σt 2的残差项滞后期数；k和Aj均是模型参数，k＞0，Aj≥0，j＝1,2,....,q，A1+A2+...+Aq＜1；
步骤4中建立ARCH模型的通用步骤如下：
步骤401：确定ARCH模型的阶数p；
步骤402：采用极大似然估计法估计出ARCH模型的似然函数的模型参数k与Aj；
步骤403：进行适应性检验，从而完成ARCH模型的建立。
优选的，第l层结构的基准ARCH模型的基准条件异方差序列表示为第l层结构的待测ARCH模型的待测条件异方差序列表示为R为基准状态的标记，T为待测状态的标记，l∈{1,2,......,n}，n为总层数；步骤7中按如下步骤计算第l层结构的概率化条件方差指标：
步骤701：计算第l层结构的基准条件异方差序列的方差Vl R：
步骤702：计算第l层结构的待测条件异方差序列的方差VT：
步骤703：计算第l层结构的概率化条件方差指标Il，按如下公式：
优选的，第l层结构的条件异方差转换指标Cl，按如下公式计算：
其中，In表示最上层结构的概率化条件方差指标；当l＝1时，则l-1为0，此时则令I0＝0，从而满足概率化要求。
优选的，步骤401采用AIC准则对ARCH模型进行定阶。
优选的，步骤9中，条件异方差转换指标ARCHCI的数值越大则表明发生结构损伤的可能性越大。
与现有技术相比，本发明具有以下有益效果：
1、由于结构发生非线性结构损伤时，其加速度时程响应中既包含有线性部分又包含有非线性部分，本发明采用AR模型，模拟出其中的线性部分，再用加速度时程响应减去AR模型，从而剔除加速时程响应的线性部分，以获取非线性部分，即残差序列，然后根据残差序列建立非线性ARCH模型。
2、多层结构在基准状态下的非线性ARCH模型所提取的条件异方差数值很小，而待检测状态下的非线性ARCH模型所提取的条件异方差数值较大(发生非线性结构损伤时)，因此，根据两种状态下的条件异方差的方差作差来计算得到的概率化条件方差指标能够明显的表示出发生非线性结构损伤的相关自由度。
4、概率化条件方差指标虽然能够表征发生非线性结构损伤的相关自由度，但是还不能具体反映是哪一层发生非线性结构损伤，因此需要转换为条件异方差转换指标，以表示各层结构发生非线性结构损伤的概率，概率越大则发生非线性结构损伤的可能性越大，概率最大的那一层结构则可以被判断为发生非线性结构损伤的位置。
5、本发明不但对于强非线性问题具有显著的识别效果，并且对于测量误差和/或模型误差干扰下的弱非线性损伤识别也具有一定的识别能力，抗干扰性能好。
附图说明
图1是本具体实施方式中基于ARCH模型的非线性结构损伤识别方法的流程图；
图2是非线性损伤诊断测试结构的示意图；
图3是基准状态下的每层结构的加速度时程响应曲线图；
图4是工况2的加速度时程响应曲线图；
图5是工况1的非线性损伤识别结果柱状图；
图6是是工况2的非线性损伤识别结果柱状图；
图7是是工况3的非线性损伤识别结果柱状图；
图8是是工况4的非线性损伤识别结果柱状图；
图9是是工况5的非线性损伤识别结果柱状图。
具体实施方式
如图1所示，一种基于ARCH模型的非线性结构损伤识别方法，包括以下步骤：
步骤1：分别采集多层结构在基准状态和待检测状态下每层结构的加速度时程响应；所述基准状态是指多层结构未发生损伤的初始状态。
步骤2：根据基准状态与待检测状态下每层结构的加速度时程响应，分别建立基准状态与待检测状态下每层结构的线性AR模型。
步骤3：根据基准状态与下每层结构的加速度时程响应与对应的线性AR模型计算基准状态下每层结构的残差序列；根据待检测状态下每层结构的加速度时程响应与对应的线性AR模型待检测状态下每层结构的残差序列。
步骤4：根据基准状态下与待检测状态下的每层结构的残差序列，分别建立每层结构的基准ARCH模型与待测ARCH模型。
步骤5：根据每层结构的基准ARCH模型提取与基准状态下每层结构的残差序列对应的基准条件异方差序列。
步骤6：根据每层结构的待测ARCH模型提取与待测状态下每层结构的残差序列对应的待测条件异方差序列。
步骤7：根据每层结构的基准条件异方差序列与对应每层结构的待测条件异方差序列计算每层结构的概率化条件方差指标PVCI。
步骤8：根据各层结构的概率化条件方差指标计算每层结构的条件异方差转换指标ARCHCI。
步骤9：根据各层结构的条件异方差转换指标进行非线性结构损伤识别。
本具体实施方式中，步骤2中线性AR模型的通式为：
式中，y′t表示t时刻的测量信号的AR模型模拟值(利用测量信号构造AR模型，AR模型只能模拟测量信号的线性部分)；c为常量；p表示模型自回归的阶数；y′t-1,......,y′t-p表示p个过去观测值的模拟值；为模型自回归的系数。
本具体实施方中，步骤3中每层结构的残差序列均按如下方式计算：各时刻的加速度时程响应减去各时刻的线性AR模型得到各时刻的残差，将残差按时间顺序组合成的集合作为残差序列，其中，t时刻的残差εt按如下公式计算：εt＝y″t-y′t；其中，y″t表示t时刻的加速度时程响应的测量值，y′t表示线性AR模型中t时刻的加速度时程响应的模拟值。
本具体实施方式中，ARCH模型的通式为：c为常量；p表示模型自回归的阶数；yt表示t时刻的状态，yt-1,......,yt-p表示p个过去观测值；为模型自回归的系数；εt为t时刻的残差。
本具体实施方式中，根据ARCH模型的似然函数进行参数估计以建立ARCH模型；ARCH模型的似然函数如下：
其中，εt＝σtzt，σt表示条件均方差，zt为标准正态分布的随机数；
σt 2表示条件异方差：
q是解释σt 2的残差项滞后期数；k和Aj均是模型参数，k＞0，Aj≥0，j＝1,2,....,q，A1+A2+...+Aq＜1；
步骤4中建立ARCH模型的通用步骤如下：
步骤401：确定ARCH模型的阶数p；步骤401采用AIC准则对ARCH模型进行定阶，AIC准则定义如下：AIC＝-2lnLmax+2m；lnLmax为ARCH模型的最大似然函数，m为估计参数数量。
步骤402：采用极大似然估计法估计出ARCH模型的似然函数的模型参数k与Aj。
步骤403：进行ARCH模型的适应性检验，从而完成ARCH模型的建立。
本具体实施方式中，第l层结构的基准ARCH模型的基准条件异方差序列表示为第l层结构的待测ARCH模型的待测条件异方差序列表示为R为基准状态的标记，T为待测状态的标记，l∈{1,2,......,n}，n为总层数；步骤7中按如下步骤计算第l层结构的概率化条件方差指标：
步骤701：计算第l层结构的基准条件异方差序列的方差Vl R：
步骤702：计算第l层结构的待测条件异方差序列的方差VT：
步骤703：计算第l层结构的概率化条件方差指标Il，按如下公式：
本具体实施方式中，第l层结构的条件异方差转换指标Cl，按如下公式计算：
其中，In表示最上层结构的概率化条件方差指标；当l＝1时，则l-1为0，此时则令I0＝0，从而满足概率化要求。
为了验证本发明对非线性结构损伤的识别能力，进行了以下对比测试：
采用一个经典的三层框架作为非线性损伤诊断测试结构，该框架的非线性损伤实验方案来源于美国阿莫斯实验室(LANL USA)，如图2所示，该三层框架结构由铝柱和铝板通过螺栓连接而成，这个框架结构安装在单向轨道上面以保证它只能在x轴方向滑动。每一层铝柱铝柱(17.7×2.5×0.6cm)和柱顶、柱脚的铝板(30.5×30.5×2.5cm)共同构建了一个三自由度的系统。在最顶层的楼板的中间固定了一根悬臂柱1A(15.0×2.5×2.5cm)，这根悬臂柱1A和固定在下一层楼板上的非线性缓冲器1B共同构成了一个非线性损伤源，用来模拟结构受到激励时振动过程中发生的非线性损伤行为。这个非线性缓冲器和悬臂柱的之间的距离可以调节，用来获取在特定激励下不同程度的非线性损伤。
为了检验本发明在环境干扰下对非线性结构损伤的识别能力，特别设计了两类工况：
第一类工况用于模拟测量误差：通过改变悬臂柱和非线性缓冲器之间的距离来引入不同程度的非线性损伤。随着间隙距离的增加，非线性程度将减弱，当间隙距离足够大时，悬臂柱和缓冲器将不会接触，从而丧失非线性模拟能力。第二类工况用于模拟模型误差：通过在框架结构上增加质量块来实现。
在模拟非线性结构损伤之前，先测试多层结构基准状态下的每层结构的加速度时程响应，如图3所示。然后再测试工况1到工况5的加速度时程响应，每层结构的加速度时程响应，其中，工况2的加速度时程响应如图4所示。工况1到工况3为第一类工况，工况4与工况5为第二类工况，各工况如下表1所示：
表1三层框架结构的非线性损伤工况
Table2 The damaged state setting of the three-story frame structure
分别采用本发明的基于ARCH模型的非线性结构损伤识别方法(基于模型选择尽量简单和较准确原则，本测试中ARCH模型的阶数为5)以及现有技术中Xing和Mita等提出的基于AR模型和倒谱测距指标的损伤识别方法，计算5种工况下的每层结构损伤指标，本发明方法所计算的损伤指标为条件异方差转换指标ARCHCI，该现有技术所计算的损伤指标为概率倒谱测距转化指标PCMC，条件异方差转换指标ARCHCI与概率倒谱测距转化指标PCMC均为概率化指标，数值越高意味着更高的损伤可能性。
工况1至工况3实验模拟了单纯测量误差干扰下的非线性损伤问题，此时的实验测量数据本身已包含了测量误差的影响。
工况1的非线性损伤识别结果如图5所示，由于ARCHCI指标和PCMCI指标均采用了概率化的损伤表达方式，数值越高则意味着更高的损伤可能性。从图5可以看出ARCHCI指标和PCMCI指标第三层对应的柱状图均明显高于第一层和第二层对应的柱状图，这说明了非线性损伤源是位于结构的第三层，该层的层间刚度发生了非线性损伤，由工况1的实际情况可知，该三层框架结构的非线性损伤是由第三层的悬臂柱和缓冲器的来回碰撞引起的，这说明了非线性损伤源的位置识别结果和实际是一致的。另外，通过ARCHCI指标和PCMCI指标的对比可知，实际损伤的第三层ARCHCI指标计算值明显高于PCMCI指标计算值，而未损伤的第一层和第二层ARCHCI指标计算值低于PCMCI指标计算值，则意味着本文建议的ARCHCI指标明显优于PCMCI指标。
工况2的非线性损伤识别结果如图6所示，从图6可以看出ARCHCI指标和PCMCI指标第三层对应的柱状图均明显高于第一层和第二层对应的柱状图，这说明了非线性损伤源是位于结构的第三层，该层的层间刚度发生了非线性损伤，另外，通过ARCHCI指标和PCMCI指标的对比可知，实际损伤的第三层ARCHCI指标计算值仍高于PCMCI指标计算值，故对于非线性损伤识别问题，ARCHCI指标仍明显优于PCMCI指标。工况1和2的非线性程度较强，故可以较好地识别出非线性损伤源的位置。
工况3的间隙增大，这样悬臂柱和缓冲器的接触将减少，故相对于工况1和2呈现为弱非线性形式，当悬臂柱和缓冲器的间隙相对于工况3进一步增大时，两者甚至会无法接触，从而丧失非线性能力。工况3的识别结果如图7所示，从图中也可以观察到两种工况下ARCHCI指标和PCMCI指标都仍具有一定的非线性损伤识别能力，但识别效果不如工况1和2的识别效果，这主要是由于非线性程度降低引起的。另外，对于弱非线性损伤识别问题，ARCHCI指标仍优于PCMCI指标。
损伤识别技术的现实应用中，不仅要考虑测量误差，还需考虑模型误差，故该实验通过附加质量块来模拟模型误差的影响。这时的测量数据是包含测量误差和模型误差双重干扰的数据。故工况4和工况5均为双重干扰下的工况。
工况4的损伤识别结果如图8所示。从图8可以观察到，由于测量误差和模型误差的影响，基于AR模型和倒谱测距的PCMCI指标已经较难识别出非线性损伤，其第二层刚度柱状图高度已经接近第三层的高度。而ARCHCI指标则具有较好的非线性损伤识别能力，其第三层的柱状图明显高于第二层，可判断出第三层的层间刚度发生非线性损伤。因此，ARCHCI指标要优于PCMCI指标。
工况5悬臂柱和缓冲器的间隙较大，故相对于工况4呈现为弱非线性形式。在测量误差和模型误差的双重干扰下，其损伤识别结果如图9所示。从图9可以观察到，由于测量误差和模型误差的影响，PCMCI指标已经不能识别出非线性损伤位置，其第二层刚度柱状图已经高于第三层的高度。而ARCHCI指标则依旧具有一定的非线性损伤识别能力，其第三层的柱状图依旧高于第二层，与实际问题相符。
通过以上5个实验工况可知，对于强非线性问题，ARCHCI指标和PCMCI指标均具有一定的非线性损伤识别能力，并且ARCHCI指标的非线性识别效果明显优于PCMCI指标，具有较强的反映非线性程度的能力，而PCMCI指标相对较差。对于弱非线性问题，由于非线性损伤已经不明显，故PCMCI指标几乎丧失了非线性损伤识别能力，而ARCHCI指标依旧具有一定的非线性损伤识别能力。由于PCMCI指标是利用AR模型建模，并对AR模型进行倒谱分析，利用损伤前后的倒谱测距建立损伤转换指标；ARCHCI指标则是利用ARCH模型。利用损伤前后的条件异方差序列的方差差值构建转换指标。因此，PCMCI指标是基于线性AR模型和倒谱测距来进行损伤识别，其基础是线性化的模型,并借助了倒谱测距来增强识别效果，该指标对于线性化问题的识别效果很好，但对于环境干扰下的非线性问题识别结果欠佳。而ARCHCI指标则是基于非线性的ARCH模型来进行损伤识别，故其对于非线性问题识别效果更好。

Claims (9)

1.一种基于ARCH模型的非线性结构损伤识别方法，其特征在于：包括以下步骤：
步骤1：分别采集多层结构在基准状态和待检测状态下每层结构的加速度时程响应；所述基准状态是指多层结构未发生损伤的初始状态；
步骤2：根据基准状态与待检测状态下每层结构的加速度时程响应，分别建立基准状态与待检测状态下每层结构的线性AR模型；
步骤3：根据基准状态与下每层结构的加速度时程响应与对应的线性AR模型计算基准状态下每层结构的残差序列；根据待检测状态下每层结构的加速度时程响应与对应的线性AR模型待检测状态下每层结构的残差序列；
步骤4：根据基准状态下与待检测状态下的每层结构的残差序列，分别建立每层结构的基准ARCH模型与待测ARCH模型；
步骤5：根据每层结构的基准ARCH模型提取与基准状态下每层结构的残差序列对应的基准条件异方差序列；
步骤6：根据每层结构的待测ARCH模型提取与待测状态下每层结构的残差序列对应的待测条件异方差序列；
步骤7：根据每层结构的基准条件异方差序列与对应每层结构的待测条件异方差序列计算每层结构的概率化条件方差指标PVCI；
步骤8：根据各层结构的概率化条件方差指标计算每层结构的条件异方差转换指标ARCHCI；
步骤9：根据各层结构的条件异方差转换指标进行非线性结构损伤识别。
2.根据权利要求1所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：步骤2中线性AR模型的通式为：
式中，y′t表示t时刻的加速度时程响应的模拟值；c为常量；p表示模型自回归的阶数；y′t-1,......,y′t-p表示p个过去观测值的模拟值；为模型自回归的系数。
3.根据权利要求2所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：步骤3中每层结构的残差序列均按如下方式计算：各时刻的加速度时程响应减去各时刻的线性AR模型得到各时刻的残差，各时刻的残差组合成残差序列，其中，t时刻的残差εt按如下公式计算：εt＝y″t-y′t；其中，y″t表示t时刻的加速度时程响应的测量值，y′t表示线性AR模型中t时刻的加速度时程响应的模拟值。
4.根据权利要求1所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：ARCH模型的通式为：c为常量；p表示模型自回归的阶数；yt表示t时刻的状态，yt-1,......,yt-p表示p个过去观测值；为模型自回归的系数；εt为t时刻的残差。
5.根据权利要求4所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：根据ARCH模型的似然函数进行参数估计以建立ARCH模型；ARCH模型的似然函数如下：
其中，εt＝σtzt，σt表示条件均方差，zt为标准正态分布的随机数；
σt 2表示条件异方差：
q是解释σt 2的残差项滞后期数；k和Aj均是模型参数，k＞0，Aj≥0，j＝1,2,....,q，A1+A2+...+Aq＜1；
步骤4中建立ARCH模型的通用步骤如下：
步骤401：确定ARCH模型的阶数p；
步骤402：采用极大似然估计法估计出ARCH模型的似然函数的模型参数k与Aj；
步骤403：进行适应性检验，从而完成ARCH模型的建立。
6.根据权利要求5所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：第l层结构的基准ARCH模型的基准条件异方差序列表示为第l层结构的待测ARCH模型的待测条件异方差序列表示为R为基准状态的标记，T为待测状态的标记，l∈{1,2,......,n}，n为总层数；步骤7中按如下步骤计算第l层结构的概率化条件方差指标：
步骤701：计算第l层结构的基准条件异方差序列的方差Vl R：
步骤702：计算第l层结构的待测条件异方差序列的方差VT：
步骤703：计算第l层结构的概率化条件方差指标Il，按如下公式：
7.根据权利要求6所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：第l层结构的条件异方差转换指标Cl，按如下公式计算：
其中，In表示最上层结构的概率化条件方差指标；当l＝1时，则l-1为0，此时则令I0＝0，从而满足概率化要求。
8.根据权利要求5所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：步骤401采用AIC准则对ARCH模型进行定阶。
9.根据权利要求1所述的基于ARCH模型的非线性结构损伤识别方法，其特征在于：步骤9中，条件异方差转换指标ARCHCI的数值越大则表明发生结构损伤的可能性越大。
CN201811444081.9A 2018-11-29 2018-11-29 一种基于arch模型的非线性结构损伤识别方法 Pending CN109472111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811444081.9A CN109472111A (zh) 2018-11-29 2018-11-29 一种基于arch模型的非线性结构损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811444081.9A CN109472111A (zh) 2018-11-29 2018-11-29 一种基于arch模型的非线性结构损伤识别方法

Publications (1)

Publication Number Publication Date
CN109472111A true CN109472111A (zh) 2019-03-15

Family

ID=65673626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811444081.9A Pending CN109472111A (zh) 2018-11-29 2018-11-29 一种基于arch模型的非线性结构损伤识别方法

Country Status (1)

Country Link
CN (1) CN109472111A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832188A (zh) * 2020-07-24 2020-10-27 重庆大学 一种基于garch-m模型的非线性结构损伤识别方法
CN111859681A (zh) * 2020-07-24 2020-10-30 重庆大学 一种基于arfima模型的线性结构损伤识别方法
CN112816352A (zh) * 2021-01-06 2021-05-18 深圳大学 工程结构损伤识别方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070205116A1 (en) * 2006-03-03 2007-09-06 Align Technology, Inc. Container for transporting three-dimensional dentition models
CN102520070A (zh) * 2011-12-02 2012-06-27 上海交通大学 基于非线性输出频率响应函数的结构损伤检测方法
CN104834978A (zh) * 2015-05-21 2015-08-12 国家电网公司 一种负荷修复及预测的方法
CN105784339A (zh) * 2016-02-24 2016-07-20 安徽工业大学 非线性结构零件损伤循环计数方法及其疲劳寿命分析方法
CN108170925A (zh) * 2017-12-21 2018-06-15 中国铁道科学研究院铁道建筑研究所 一种基于arma模型的桥梁损伤预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070205116A1 (en) * 2006-03-03 2007-09-06 Align Technology, Inc. Container for transporting three-dimensional dentition models
CN102520070A (zh) * 2011-12-02 2012-06-27 上海交通大学 基于非线性输出频率响应函数的结构损伤检测方法
CN104834978A (zh) * 2015-05-21 2015-08-12 国家电网公司 一种负荷修复及预测的方法
CN105784339A (zh) * 2016-02-24 2016-07-20 安徽工业大学 非线性结构零件损伤循环计数方法及其疲劳寿命分析方法
CN108170925A (zh) * 2017-12-21 2018-06-15 中国铁道科学研究院铁道建筑研究所 一种基于arma模型的桥梁损伤预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUIYONG GUO 等: "Structural damage detection using an autoregressive cepstral metric stiffness index", 《2018 14TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (ICNC-FSKD》 *
尹强 等: "基于模型参考自适应算法的非线性结构损伤识别", 《振动工程学报》 *
郭惠勇 等: "基于自回归条件异方差转换指标的非线性损伤识别", 《西南交通大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832188A (zh) * 2020-07-24 2020-10-27 重庆大学 一种基于garch-m模型的非线性结构损伤识别方法
CN111859681A (zh) * 2020-07-24 2020-10-30 重庆大学 一种基于arfima模型的线性结构损伤识别方法
CN111832188B (zh) * 2020-07-24 2023-10-03 重庆大学 一种基于garch-m模型的非线性结构损伤识别方法
CN111859681B (zh) * 2020-07-24 2023-10-03 重庆大学 一种基于arfima模型的线性结构损伤识别方法
CN112816352A (zh) * 2021-01-06 2021-05-18 深圳大学 工程结构损伤识别方法、装置、计算机设备及存储介质
CN112816352B (zh) * 2021-01-06 2023-07-07 深圳大学 工程结构损伤识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN109472111A (zh) 一种基于arch模型的非线性结构损伤识别方法
US8712740B2 (en) Signal judgment method, signal judgment apparatus, program, and signal judgment system
CN110706720B (zh) 一种端到端无监督深度支撑网络的声学异常检测方法
CN103559892B (zh) 口语评测方法及系统
CN106447040B (zh) 基于异类多传感器数据融合的机械设备健康状态评估方法
CN103018338A (zh) 一种基于声发射和神经网络的混凝土无损检测方法
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN105679313A (zh) 一种音频识别报警系统及方法
CN108170925A (zh) 一种基于arma模型的桥梁损伤预警方法
CN103440864A (zh) 基于语音的人格特征预测方法
de Almeida Cardoso et al. Unsupervised real‐time SHM technique based on novelty indexes
CN102829967A (zh) 一种基于回归模型系数变化的时域故障识别方法
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
Gong et al. Vocalsound: A dataset for improving human vocal sounds recognition
Entezami et al. Improving feature extraction via time series modeling for structural health monitoring based on unsupervised learning methods
Khoshnoudian et al. A new damage index using FRF data, 2D-PCA method and pattern recognition techniques
IL304961A (en) Diagnostic techniques based on speech models
CN107220475A (zh) 一种基于线性判别分析的轴承特征数据分析方法
CN108287964B (zh) 一种基于加速度内积向量的灰云推理结构损伤识别方法
Solimine et al. An unsupervised data-driven approach for wind turbine blade damage detection under passive acoustics-based excitation
CN110046651A (zh) 一种基于监测数据多属性特征融合的管道状态识别方法
US10008206B2 (en) Verifying a user
Prawin et al. A novel Mel-frequency cepstral analysis based damage diagnostic technique using ambient vibration data
Cui et al. A damage identification method for a thin plate structure based on PVDF sensors and strain mode
TWI636276B (zh) 人工智能地震判斷方法及地震偵測系統

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190315

RJ01 Rejection of invention patent application after publication