基于改进HHT的结构损伤识别方法研究综述报告.docx

基于改进HHT的结构损伤识别方法研究综述报告
结构损伤识别作为一种关键技术，已经成为了结构健康监测领域中一个受到争议的和重要的方面。在过去的二十年中，基于振动信号的结构损伤识别方法已经得到了广泛的研究和应用，但是尚未能够达到理想的效果。目前，基于改进的Hilbert-Huang变换（HHT）的结构损伤识别方法已经成为了研究的热点，本文将对其进行综述。
Hilbert-Huang变换是一种非常强大的时间-频率分析方法，在信号处理领域中被广泛应用。它的优点在于它可以对非线性和非平稳信号进行分析处理，并且不受预处理限制，包含傅里叶变换等方法需要将信号加窗处理。HHT方法基于两个核心的算法，包括本征模态函数（EMD）和希尔伯特谱分析。EMD将信号分解为一系列本征模态函数，每个函数都表示一个不同的频率。希尔伯特谱分析则为每个本征模态函数提供每个频率分量的正弦振幅和相位信息。
无论HHT方法是否进行改进，其应用于结构损伤识别的思路是类似的，首先需要使用HHT将信号分解为一组本征模态函数（IMF），然后通过比较未受损的结构与受损结构的IMF，来判断结构是否发生了损伤。传统的HHT方法通常采用了小波能量谱指标来描述IMF的相似度，但是这种方法容易受到噪声和干扰的影响，无法有效地识别结构损伤。
为了解决HHT在结构损伤识别中的问题，一些研究提出了改进方法。其中，有一些改进在处理噪声和干扰方面表现出众，例如通过小波阈值去噪或者使用组合方式，包括小波格拉姆和自适应加权融合，并且进行了有效性验证。还有一些改进主要集中在IMF提取算法上，比如利用小波包分解来进行IMF提取，以及基于经验模态分解（EMD）的HHT（EHHT）。
除此之外，还有一些改进方法采用了不同的指标来描述IMF之间的相似度，以提高结构损伤识别的准确度。例如，有一些研究采用了互相关系数、统计学度量、能量比之类的指标，然后设计特征选择算法来提取重要的特征，并使用支持向量机或神经网络等算法来分类和识别结构的损伤情况。
总结来讲，HHT方法基于本征模态函数和希尔伯特谱分析的核心思想，有助于解决结构损伤识别中出现的非线性和非平稳信号处理问题。在使用时需要注意HHT方法的一些限制，比如解析信号的精度限制等。对于改进的HHT方法，尽管各种方法的改进侧重点不同，但是它们都致力于提高结构损伤识别方法的准确性和鲁棒性。未来的研究需要继续深入挖掘以提高改进HHT方法的性能和实用性。