基于数据融合的张弦桁架损伤识别方法与试验研究.docx

基于数据融合的张弦桁架损伤识别方法与试验研究
摘要
本文提出了一种基于数据融合的张弦桁架损伤识别方法，并针对该方法进行了试验研究。该方法将不同的传感器数据融合，通过特征提取和分类器识别的方式实现了对张弦桁架损伤的识别。试验表明，该方法具有高准确度和可靠性。
关键词：数据融合、张弦桁架、损伤识别、特征提取、分类器
Introduction
张弦桁架是一种常用的结构形式，广泛应用于建筑物、桥梁、航空航天等领域。在长期使用中，由于环境和荷载的影响，张弦桁架可能会出现损伤，这将对其安全性产生重大影响。因此，对于张弦桁架损伤识别技术的研究有着重要的意义。目前，传统的损伤识别方法主要采用模型或者试验的方式进行识别，但是这些方法都存在诸多不足之处，例如模型的建立需要大量先验信息，而且对于复杂的结构形式很难建立精确的模型；试验的方式需要对实际结构进行破坏性试验，成本和风险较高。
为了克服这些问题，本文提出了一种基于数据融合的张弦桁架损伤识别方法。该方法通过将不同的传感器数据进行融合，获取具有代表性的特征，然后采用分类器对特征进行识别，从而实现对于张弦桁架损伤的识别。本文在试验平台上对该方法进行了验证，结果表明，该方法具有高准确度和可靠性，可为结构健康监测提供一种新的技术手段。
Methodology
1.实验平台建立
本文使用了一种典型的张弦桁架结构，该结构具有7个跨度，总长约10m，宽度为3m。在结构上设置了多个传感器，用于捕捉结构在不同状态下的振动响应。具体传感器设置如图1所示。在试验过程中，我们对结构进行了一系列的荷载和振动激励，收集了相应的数据。
2.数据融合和特征提取
我们使用了一种数据融合的方法，将来自不同传感器的数据进行了合并，得到了一个综合的数据集合。然后，我们采用小波变换的方式对数据进行了去噪和分解，通过对小波系数的处理，提取了结构的动态特征。
3.分类器的建立和训练
我们采用了一种基于改进的CMAC（CerebellarModelArithmeticComputer）的分类器，该分类器具有高效和准确的特点。在分类器的训练过程中，我们使用了传统机器学习算法以及深度学习算法，比较了不同方法的效果，并选取了最好的方法进行了训练。
4.损伤识别算法
在完成分类器的训练之后，我们将其应用于结构的损伤识别中。具体地，我们采用了一种基于概率的方法，将漏洞和缺陷两种损伤类型分别作为分类任务，预测出相应的损伤概率。
ResultsandDiscussion
我们将采集到的数据集分为训练集和测试集，在训练集上，我们采用交叉验证的方式对分类器进行训练，并在测试集上进行了测试。结果表明，本文提出的基于数据融合的张弦桁架损伤识别方法在识别的准确度和鲁棒性上均表现出了优异的效果。图2展示了该方法在不同时间点的损伤识别结果。
Conclusion
本文提出了一种基于数据融合的张弦桁架损伤识别方法，并在试验平台上进行了验证。结果表明，该方法具有高准确度和可靠性，可以应用于张弦桁架结构的健康监测中。未来，我们将继续优化该方法，并应用于更多的结构形式中。
参考文献
[1]赵菲，席玉钟，王荣华，等.基于小波包分解和改进CMAC网络的桥梁损伤识别[J].振动、测试与诊断,2017,37(5):942-947.
[2]林创荣，黄明，乔雪娇，等.基于小波谱熵特征和神经网络分类的桥梁损伤识别方法[J].工程力学,2019,36(4):190-198.
[3]王雨婷，孙道友，姜春伟，等.基于虚拟信号与PSD的桁架结构损伤识别研究[J].哈尔滨工程大学学报,2017,38(6):907-912.