摘要: 损伤识别是结构健康监测SHM(Structure Health Monitoring)系统性问题的重要一环。目前，基于结构振动特性的全局检测技术已成为SHM领域的核心。对实时监测的结构振动数据进行处理，提取特征参数或者动力指纹，利用无损状态和有损状态的特征参数的差异... 展开 损伤识别是结构健康监测SHM(Structure Health Monitoring)系统性问题的重要一环。目前，基于结构振动特性的全局检测技术已成为SHM领域的核心。对实时监测的结构振动数据进行处理，提取特征参数或者动力指纹，利用无损状态和有损状态的特征参数的差异进行结构状态的判断。然而，工程结构处在复杂的环境因素和运行条件中，包括温度，相对湿度，变化的荷载等，这些因素的影响往往会淹没损伤对结构特征参数的改变。如果忽略这种影响的存在，势必会导致结构状态的错判和漏判，使得传统的损伤识别方法在实际应用中失去效果。本文具体研究内容如下： (1)环境因素对一座实际桥梁的模态频率的影响及基于多项式回归的损伤识别。环境因素包含的种类多样，每种环境因素对动力指纹的影响各不相同，本文首先分别对一座实际监测的桥梁的模态频率和温度、风速、交通量的关系进行统计学分析，研究每项环境因素对模态频率的影响；接着，利用多项式模型对频率和几种环境因素的关系进行拟合，建立无损伤状态下频率和环境因素的多项式模型。对模态频率数据进行折减模拟六种损伤工况，利用多项式模型残差进行损伤识别，并用主成分分析和因子分析对比研究了多项式模型在分离环境因素的损伤识别中的效果。 (2)基于核主成分分析的分离环境因素影响的损伤识别。主成分分析(Princ ipa l Component Analysis，PCA)在处理变量之间线性相关的特征参数具有比较好的效果，然而实际监测数据各变量之间常具有非线性关系，线性方法难以较好地提取非线性信息。为了克服PCA的这一缺点，本文将PCA和核分析(Kernel Analysis)方法结合，提出了基于核主成分分析(Kernel Principal Component Analysis，KPCA)的方法。并根据核空间中的次成分与环境因素正交的特性，提出用核空间中的次成分作为新的特征参数进行损伤识别。首先，利用特征量在高维空间更容易线性可分的特点，假设存在一个非线性映射，将低维空间的非线性数据映射到高维空间，在高维空间进行PCA分析；然后通过核再生原理与核函数，在高维空间中构建核空间，在核空间中应用PCA。通过木桁架桥实验数据永和桥实测数据验证了KPCA在处理变量非线性的有效性。 (3)基于滑窗-简约核主成分分析的动态损伤识别。KPCA属于静态的建模方法，静态模型需要尽可能多的包含一个周期内所有环境因素变化的数据集来训练，使得建模过程中的核矩阵维度和计算复杂度非常高，且实际监测早期的数据难以满足这样的要求。此外，实际监测数据常常呈现非线性非平稳的动态变化，基于监测早期数据建立的静态模型难以描述这种由新环境因素导致的监测数据的正常波动，可能导致误判。针对静态KPCA方法的缺陷，引入两种工业领域处理动态非线性非平稳过程的方法，用于土木工程结构的结构健康监测的环境因素分离。引进简约核主成分分析(Reduced Kernel Principal Component Analysis，RKPCA)改进KPCA核矩阵维度高、计算复杂度高的缺陷；引进一种滑窗方法(Moving Window)，根据动态监测的新数据对旧模型进行更新，改进模型无法描述新数据中由环境因素导致的正常波动，易产生损伤误判的缺陷；此外，引进的滑窗方法提出新的模型更新准则，减少了模型更新的次数，提升了动态监测的计算效率，便于在线监测。通过木桁架桥实验和Z24桥标准模型数据比较验证了改进后的KPCA在动态监测中的效果。 收起