[发明专利]一种基于加速度内积向量的灰云推理结构损伤识别方法

说明书

本发明公开了一种基于加速度内积向量的灰云推理结构损伤识别方法，将待识别构件划分成M个单元；根据损伤界限值集合建立s个损伤程度区间；根据损伤程度区间以及各个损伤模式的加速度内积向量集合分别建立前件云规则库、后件云规则库；对每个单元进行u次在随机噪声干扰下的损伤检测，每次检测获得一个加速度内积向量；根据前件云规则库以及后件云规则库，为每个单元建立在各种损伤模式下的灰云推理模型；计算每个灰云滴的损伤模式加权值；根据损伤模式加权值计算各个单元的损伤均化指标；根据损伤均化指标进行损伤识别。本发明对噪声干扰具有良好抗性，识别出的损伤程度高低趋势与真实情况一致，接近真实损伤系数，相对于单纯的内积向量指标更直观。

技术领域

本发明属于结构损伤识别技术领域，特别是一种采用加速度内积向量识别方法与灰云推理相结合的结构损伤识别方法。

背景技术

随着建筑业的迅猛发展，土木结构的安全性检测一直备受人们关注，尤其是结构的损伤检测方面，更是受到了广泛的研究。结构损伤会导致结构局部刚度的下降和模态参数发生变化，同时也会引起结构的动力学响应发生改变。因此，目前国内外学者主要是基于结构的模态参数或者动力学响应的变化这两个方面进行结构的损伤识别分析。Koh等利用模态相关性对悬索桥进行了损伤检测，Shi Z Y等利用结构损伤前后的不完全模态位移形状改变进行损伤定位以及损伤程度的分析，Stubbs和Osegueda将结构频率用结构的刚度和质量来表示，并利用结构损伤前后频率敏感性矩阵和刚度敏感性矩阵的广义逆构造损伤识别指标，进行了损伤的定位和定量识别。Seyedpoor提出了一种两阶段的损伤检测方法，该方法利用了粒子群优化算法和模态应变能。郭惠勇等提出一种基于证据理论和模态应变能的损伤识别方法，姜绍飞等将BP神经网络与D-S证据理论结合起来对结构进行损伤识别，并验证了该方法的有效性。王乐等提出了一种基于互相关函数幅值向量的结构损伤定位研究方法，但其抗噪能力有待提高。

由于测量噪声等各种不确定性因素的影响，基于确定性的损伤识别方法难于处理实际结构的不确定性问题。故本文拟采用可以处理不确定性问题的云模型和不确定推理相结合的方法。云模型是李德毅等提出的一种定量和定性之间的转换模型，可以通过定量和定性的映射关系实现不确定传递。云模型和不确定推理技术相结合可形成云推理方法，该方法具有处理不确定性问题的能力。灰云模型是一种特殊的云模型，更适用于不确定问题。故本专利提出了一种灰云模型和不确定推理相结合的损伤识别技术，该技术可称为灰云推理损伤识别技术。

发明内容

针对上述现有技术的不足，本发明提供一种基于加速度内积向量的灰云推理结构损伤识别方法，解决现有技术中的结构损伤识别方法受到噪声干扰导致测量结果可靠性低、误差大的技术问题，对噪声干扰具有良好抗性，提高识别精度，所识别出的损伤程度高低趋势与真实情况一致，接近真实的损伤系数，相对于单纯的内积向量指标更为直观和有效。

为解决上述技术问题，本发明的技术方案如下：一种基于加速度内积向量的灰云推理结构损伤识别方法，其特征在于，包括以下步骤：

步骤1：建立待识别构件的有限元模型，将待识别构件划分成M个单元；

步骤2：设立损伤界限值集合{c₁...c_i...c_s+1}，根据损伤界限值集合划分出s个损伤程度区间，其中，第i个损伤程度区间表示为：[c_i,c_i+1]，i∈{1,2,.....,s}；每个损伤程度区间对应一种损伤模式；

步骤3：计算损伤界限值集合中各个损伤界限值所对应的加速度内积向量，为各个损伤程度区间建立对应的加速度内积向量集合作为各个损伤模式的加速度内积向量集合，其中，第i种损伤模式的加速度内积向量集合为{R_i,R_i+1}；

步骤4：建立各个损伤模式的前件云规则库以及后建云规则库：

其中，第i种损伤模式的前件云规则库均按如下方式建立：