Neural-Wavelet技术评估指标结构的损伤识别使用二期实验数据

文摘

损伤模式识别研究是最具挑战性的任务之一在结构健康监测(SHM)。的模糊定义损伤和损伤状态之间的重叠导致重大挑战与适当的损伤分类。损伤特征的不确定性,以及他们如何在损伤检测过程中传播也在单孔位微吹气扰动导致的不确定性。本文介绍了一个完整的损伤特征提取和损伤识别的方法。我们描述一个健壮的损伤检测方法是基于使用人工神经网络(ANN)计算获得的加速度信号的小波能量的结构。我们建议使用小波能量作为结构损伤特征分类损伤状态。提出了一个案例研究,展示了该方法的检测能力和模式破坏使用美国土木工程师协会(asc)基准结构。建议最优安架构可以检测损伤发生具有良好的准确性和可以提供损伤量化与合理的精度不同程度的损害。

1。介绍

全球基础设施的老化和成本有效的传感设备,日益普及的必要性来实现损伤识别和分类系统在民用建筑已经成为当务之急。结构健康监测(SHM)是不干扰的数据收集和分析结构损伤检测和诊断。单孔位微吹气扰动的目的是描述结构的性能,帮助维护结构性能对其多年的服务。单孔位微吹气扰动通过早期损伤检测也有助于降低操作成本。单孔位微吹气扰动技术已经成功应用于其他工程学科结构的质量与民用建筑相比很小。Vibration-based SHM假定结构动态响应将偏离其正常模式损害发生时的结构。因此,损伤检测成功取决于提取敏感的损伤特性(s),这样的模式特性(s)和实现这些模式随着损伤的发展变化。

过去二十年许多研究方法与提取的目标已经提出敏感的损伤特性(s)和测试在多个结构(1- - - - - -5]。工具损坏检测使用模态更新等结构动力学分析,傅里叶变换和小波研究[6]。其中的一些相关评估指标结构,描述的部分2综述了,在桌子下面1。

最近,一些研究人员专注于使用人工神经网络(ANN)的损伤模式识别。安是由一组相互连接的神经元处理单元。每个神经元执行一个简单的计算流程和有一个相关联的传递函数运行在节点级别的层。安有能力学习示例数据集通过改变网络的数值偏差和重量(40]。前馈安,被认为是在这里,神经元被组织成层,第一层包含一个神经元每输入最后一层包含一个神经元输出;过渡层可以包含任意数量的层。虽然祖文萃和沈41)使用区别健康和破坏特征值作为神经网络的训练数据的损伤检测弹簧-质量系统,Sexton et al。42]证明了优化神经网络使用优化可以带来更好的预测能力研究建模操作。

stiffness-based技术的应用到大型民用建筑一直是具有挑战性的,因为微不足道的影响相对较小的刚度变化由于损伤而大量这些结构。Elkordy et al。43训练一个神经网络使用大型土木结构的有限元模型和比较结果物理模型。的能力与有限元数据训练神经网络对评价结构至关重要,代表健康的性能可能不存在的数据集。

几种信号处理方法已经提升为特征提取如傅里叶变换、小波变换和小波多分辨率分析(WMRA) [6,44,45]。这些方法结合等手段,人工智能(AI)安(46]。它已经被林指出et al。47和袁和林48]安架构的影响已经被许多研究者使用安忽略损伤模式识别。安体系结构对网络的训练是至关重要的,以及从安获得良好的性能。林等。47)建议使用贝叶斯方法(条件概率)来确定最优安建筑虽然利用里兹向量和模态参数,分别作为损伤特征。双功能安用于特征提取的过程,然后建立分类器所需的损害。安的使用建立非线性分类器也被其他研究人员建议(49]。回顾一些人工智能工具和信号处理技术的组合,尤其是小波,为单孔位微吹气扰动损伤特征提取,最近被报道(45]。使用小波和安和小波相结合的损伤检测也被调查人员推荐的山药et al。50],金姆和Melhem [51),刁et al。52),江和埃德里53和江和马哈54,55]。

上面提到的研究集中在损伤特征提取,而不是损伤模式识别。孙et al。56)建议分类损伤结构使用统计模式识别方法。林等。47]讨论了可能的使用贝叶斯分析来识别损伤的类。其他技术使用模糊(非概率)损伤模式识别据报道使意识到其他类型的不确定性,而不是随机不确定性损伤诊断(57]。

在本文中,我们建议使用可用的损伤的观察来确定最优结构(即安。、隐藏层数和每个隐层神经元的数量)。安一个优化过程建议确定最优结构成功的破坏模式分类。这里我们使用加速度实验收集的数据从二期评估指标结构的开发和测试提出的损伤模式识别方法。我们的动机是为了演示可能使用一个优化neural-wavelet模块来检测和量化损伤评估指标结构合理的准确性。拟议的框架是可扩展的其他结构损伤检测和量化。

2。评估基准结构:背景

美国土木工程师协会(第3期)基准研究协会是由国际结构控制机构间常设委员会土木结构健康监测任务组作为验证损伤检测技术的一个资源。评估基准组生成结构响应数据从一个22,四个故事,矩形钢测试结构(9]。结构的示意图如图1(一)。

评估基准研究的第一阶段是通过生成有限元模型考虑不同程度的损伤(7,8]。第二阶段包括两个部分:阶段II-S“S”表示仿真数据和阶段II-E“E”表示实验数据。中的数据生成阶段II-S使用结构动力学有限元软件MATLAB环境下(7]。阶段II-S模型包括120个自由度(自由度)模型和一百一十二景深数据模型7,8]。阶段II-E包括收集的实验数据的结构响应评估基准矩形钢结构测试在2002年8月(英属哥伦比亚大学的9]。表1先前的研究,综述了研究评估基准结构。很明显,大量的先前的研究使用模拟数据,没有实验数据。表1还提供了一个简短的描述损伤检测技术所使用的每个研究员和结构响应的类型考虑基准结构的实验数据的情况下使用。

如表所示1,许多研究人员已经成功地检测基准期和II-S期造成的结构,但类似的成功当使用相同的技术阶段II-E数据尚未公布。例如,Nair et al。31日使用阶段)展示出了有前景的结果来检测损伤II-S数据基准问题的模式分类算法基于自回归分析在时域加速度信号。然而,Nair et al。31日)报道,在使用阶段II-E数据有限的成功。因此,研究实验基准研究不完全或完全包容。的一个主要限制在大多数以前的工作检查基准结构损伤诊断的关注而不是损害量化。大多数研究者试图验证指标的损伤诊断的不同场景中,没有试图制造一个整体损伤量化指标基于损伤特性当选损伤检测。在这里,我们试图提供一种方法,它提供了两种损伤检测和损伤量化并展示其应用评估基准结构。

评估基准结构建于约三分之一的规模和位于英属哥伦比亚大学的(9]。一系列的加速度数据收集从测试结构使用九个不同程度的损伤和三种不同类型的激励包括使用正弦扫描振动器,随机激励和脉冲测试(58]。只有从随机兴奋结构响应数据进行了分析。阶段II-E数据包括加速度响应记录第一阶段结构配置。这些配置描述表2。重要的是要注意,这样的描述表2没有提供一个量化值水平的损害。因此,判断损伤检测方法变得相当具有挑战性。这是由于这一事实很难量化删除一个或多个括号将如何影响结构响应。当我们提出一个简单的系统来表示的损坏程度根据括号删除的数量或关节放松,我们认为进一步讨论从单孔位微吹气扰动研究社区需要基准评估基准结构损伤的水平。这样的基准测试是必不可少的实验数据的研究社区当检查使用的新的损伤诊断方法。

我们提出了损伤严重程度指标,表示描述损伤评估指标结构,定义和标准化规模介于0和100年基准配置。损失严重程度为损害配置计算 符号是用来表示数量的括号南北(强轴)的方向,而对应的括号删除东西弱轴方向。表示放松螺栓连接的数量在南北方向(强轴)松开螺栓的数量在东西方弱轴方向。重量因素,1.0,0.5,0.25和0.1是用来描述的意义每个操作(例如,删除括号)在结构损伤的程度。例如,重量1.0倍选择删除括号的强轴方向(南北)。权重因子(0.5)是用于描述的效果移除支撑括号的出平面方向(东西向)方向。权重因子(0.25)也用于表示放松螺栓的相对较低效果的影响相比bracingbraces删除。因素(0.1)是用来表示平面外放松螺栓的效果。减少伤害的严重性的出平面方向是归因于这样一个事实,大多数加速器被安置在南北方向和感兴趣的加速度在南北方向的分析使用。数据1(一)和1 (b)显示了评估指标结构的三维示意图和感应器的位置和振动器的结构。有九个测试配置测试评估指标结构的试验研究[9]。有一个未指明的错误数据报告配置5根据评估基准组,因此,数据集配置5不是用于这项研究。描述性的损伤指标是八损害配置通过计算(1)。损害这些配置展示在表的度量值2。很显然,配置1可以归类为“健康”(),配置2 - 6可以归类为“部分受损”介于8.5和31.2和配置7 - 9可分为“完全损坏”85.1和100之间不等。重要的是要强调,该描述损伤指标为验证本文提出的损伤诊断方法开发的非常具体的评估指标结构和测试配置检查。体重因素特别选择量化基准结构整体损伤结构配置和传感器位置。

3所示。方法

在这里我们建议计算方法对特征提取和基于集成安和WMRA损伤识别。该方法用于特征提取的损害实现能源结构的变化计算加速度信号在小波域的损害。该方法一直在以前使用模拟和实验数据验证桥梁结构(59,60]。此外,优化方法被用来建立一个分类器,能够提供有效的损伤模式识别。分类器的设计是基于最小化分类误差的损伤检测方法。分类错误最小化通过确定最优神经网络的架构,包括层数和每层的神经元数。

集成的发展本文中概述的损伤模式识别方法包括以下步骤:(数据采集和信号处理,)损伤特征提取,()损伤分类器的发展,()使用分类器和神经网络体系结构的优化(综合损伤识别方法(的)评价部分4)。

3.1。数据采集和信号处理

加速度信号,表示与下标代表传感器的位置,使用WMRA处理。WMRA实施使用离散小波变换(DWT),特别是daubechies (db4)母小波61年]。广泛的研究已经由作者显示daubechies (db4)母小波是最合适的小波分解加速度信号(61年]。其他其他研究者提出的小波函数62年,63年也检查了。损伤结构的近似信号的能量(将在下面讨论)时显示更多的敏感性损害daubechies (db4)小波信号被用来分解原始信号。类似的观察报告中观察到的实验数据分析监测钢桥(64年]。

WMRA使加速度信号在时域分解成分量信号在不同频率水平近似和细节。比例小波仅仅意味着拉伸或压缩。规模越小,越小波将被压缩而规模越大,越小波将会被拉伸。因此,低尺度允许分析快速变化的细节(高频组件)和大规模的允许分析缓慢变化特性(低频组件)。

在民用建筑,它已被证明,大多数的主要频率成分是低频组件(包括30 Hz) [6,31日,64年,65年]。因此,信号的低频分量(近似)信号是非常重要的部分。“近似信号”对应于极致,低频分量的信号。另一方面,高频内容携带信号的细节。细节信号的高频部分对应于低规模。WMRA将信号分解成不同的分辨率水平示意图如图2。在这里我们建议使用第三个近似代替原始信号的信号。这意味着所有高频率成分的信号将被忽视。重要的是要强调,这些高频组件可能包括有用的信息结构,但该方法是基于假设这对损伤检测信息是没有必要的。使用高频组件可能进一步了解伤害但将伴随着高计算费用。信号分解的阈值是有限的和频率成分考虑损伤检测应当依据平衡计算费用和损伤检测精度的提高水平(66年]。

考虑到离散的加速度信号。小波尺度指数和转移指数()定义,系数的近似信号()和细节信号()可以计算 在哪里是扩展函数(61年]。从评估基准结构获得的加速度信号分解到三个层次的分解。第三个近似信号被用来代表结构的响应。

3.2。损伤特征提取

拟议的框架旨在建立相关的复杂关系结构动力学(加速度)的不同区域之间的健康结构。这个一般框架示意图见图3(一个)。neural-wavelet模块试图建立这种关系,在小波分解的加速度信号使用人工神经网络。当伤害发生在结构,其区域干扰之间的关系。进一步损害的严重程度越高,结构偏离健康的区域之间的关系。伤害可以因此发现和分类。

我们建议表示损伤特征计算使用WMRA和安。加速度信号记录在加速度计5、6、9、12和15分解使用WMRA第三近似信号被用作输入的安。第三近似加速度信号的加速度计13作为期望输出,如图3 (b)。图3 (b)显示了一个示意图表示的计算损伤特性在评估基准结构。

通过比较获得的损伤特性监测加速度信号传感器13和ANN预测的信号。损伤特征表示因此可以计算为: 在哪里是近似,是小波分解的水平。描述信号的能量代表ANN预测信号之间的差异和第三个近似的加速度信号和监测离散元素的总数是用来表示信号。安训练预测健康性能、监控和预测之间的区别信号代表的级别的结构响应。这不同的信号直接相关损伤结构的水平。较低的价值,安越近的预测是监测信号,因此代表健康的结构。的价值就越高安,进一步的预测是监控信号。这个神经小波方法在其他结构成功地识别损伤,包括预应力混凝土(60和桥梁钢结构模型64年]。

在这里,我们只考虑结构的响应加速度计数据5、6、9、12、13和15基准结构计划中描述的图3 (b)。这些感应器是兴奋的摘要瓶放在结构的顶层。这群感应器的选择形成了损伤检测模块是基于其位置相对于受灾地区(除支撑的区域)的评估基准评估基准研究报告所描述的结构配置评估基准组(58和堤坝等。9]。中的选为安的输入主要是沿着东的定位结构损伤诱导。加速度计的输出是定位在西方面临的结构没有诱导损伤。

人工神经网络使用一个迭代过程学习模式并生成系统输入和输出之间的非线性映射系统。安是用来学习复杂结构的健康信号传感器13通过观察信号的传感器5、6、9、12和15。安在这项研究中有五个的输入层神经元对应的五个加速度数据输入获得的加速度计(5、6、9、12和15)和一个输出层神经元通过加速度计13。每个神经元有一个相关联的传递函数运行在节点级别的层。所有层使用log-sigmoid传递函数,除了输出层,一个线性传递函数。这些转移函数的选择是基于参数调查的基准数据37]。需要优化的参数调查还显示安结构,使有效的损伤分类。

3.3。发展中损伤分类器

神经网络能够准确地模拟健康信号依赖于安的体系结构。在这项研究中我们目标识别的最佳架构安和定义隐藏层的数量和每层的神经元数,损伤检测是最大化。安通常设计目标实现的最小训练误差被认为是可接受的建模工具标准神经网络。成功的损伤检测需要的损伤特性()能够对损伤结构的水平进行分类。这意味着高值对应于“高度受损”基准配置7,8,9。此外,低值对应于“健康”配置1和值在这些极端代表了“部分受损”配置2,3,4,6。

成功开发应当使安作为损伤分类器除了作用损伤特征提取。这可以通过寻找最优安架构,这样成功率最大的损害分类。成功的分类率最大化的过程是在上下文中执行的系统优化目标函数,用于定义分类器是最小化。优化过程可以被定义目标函数、设计变量、设计参数和优化约束。

的目标函数−应该最小化与定义为: 是损伤分类器,的平均值是健康情况和破坏特性吗的平均值是损害功能受损的情况。在哪里是一个数值,。代表的数量结构损伤时配置考虑建立分类器的损害。定义作为目标函数确保之间的区别意味着损害功能健康的性能和其他损害国家的最大化,从而损伤诊断的成功率最大化。的示意图表示函数描述损伤分类器如图4。

的设计变量描述的层数和每层的神经元数安架构。的设计参数包括那些影响的参数优化过程,但假定常数在优化过程中。这包括小波分解,(这里),(这里是db4)母小波函数和传递函数/安层(这里是log-sigmoid)。两个优化约束被认为是;每个隐层神经元的数目受限1至15,和隐藏层的数量也限制在1和3之间。建立了约束限制计算时间。优化过程进行使用衍生(牛顿gradient-decent)和derivative-free(遗传算法(GA)优化技术(67年,68年]。

考虑到评估基准期II-E数据,代表的损伤特性的平均值健康配置1,代表的损伤特征的平均值损伤评估指标结构配置。基准配置1、6、7和8被用于训练分类器的损害,而配置2、3、4和9是测试后的分类器建立最优安架构。的损伤特性的平均值th损害配置,是计算的意思是十四的值。每一个代表一百八十二窗口的能量信号代表不同信号之间的第三个近似测量信号和ANN预测信号。差分信号的能量计算 之间的区别是信号的第三个近似测量信号和ANN预测信号,柜台为8秒内的信号测量窗口,代表了八次,范围从1到窗口windows的总数,等于14。分工的加速度信号窗口算法示意图如图5。最初的加速度信号是120秒长采样在500赫兹4000数据点在每个窗口中。使用WMRA原始信号被分解。原始信号和第三近似信号,一个典型的加速度信号如图6。第三个近似信号分为十五windows每8秒长。第一个窗口被忽视避免不准确的观察数据采集的开始。以下14个窗户被用来计算功能的损害由(5)。WMRA分解进行整个120年第二信号在windows的级别,而不是避免众所周知短时小波分析信号的边缘效应进行了分析。

3.4。测试损伤分类器

最优安架构和损害分类器进行测试使用的测试数据包括配置2、3、4和9。这些数据集是不习惯在发展中分类器的损害。在损伤识别中,考虑不确定性的概率损伤作为损伤指标来表示的损伤水平为每个测试配置结构。损伤指标表示(表示损伤量化使用neural-wavelet(西北)方法)的th基准的配置结构可以评估使用(6),建立的信心限制考虑95%置信水平从性能和健康吗是损伤特性描述意味着什么th基准的配置结构 在哪里代表的概率损伤特性损伤阈值将超过。损坏的概率是示意图如图表示7。概率分布函数表示的损伤特性在任何实例。损坏的概率计算的面积破坏状态的概率密度函数值高于信心极限,。因此,损伤情况的概率密度函数与健康不重叠概率密度函数将有100%的概率损伤。建议的计算方法的概率损伤假设损伤特性是单调递增的损伤结构的进步。损失特性也是认为按照正常(高斯)概率分布分析证实了健康的数据集。

4所示。结果与讨论

优化过程中确定最优安架构包括三个隐藏层组成的2、7和10个神经元在第一,第二和第三分别隐藏层。的示意图表示的最优网络如图8。图9显示了分类器目标函数的变化与神经元的数量分类器当隐藏层的数量是一个(图9(一个))和两个隐藏层图9 (b)。有趣的是观察的大量存在的局部最小值在这两个领域。GA优化技术的成功比梯度下降法实现最优的解决方案。衍生技术偶尔陷入局部最小值,优化过程不收敛。

比较这三个最优的神经网络结构与一个隐藏层NN1来标示(神经元),两个隐藏层NN2表示为(和)和三个隐藏层NN3表示为(和和)表明,该神经网络NN3三个隐藏层分类器(最高)。这种比较是图所示10。比较确认最优安架构有最好的分类基准结构损伤的能力。最优安架构如图8是用来识别损伤评估指标结构的八个测试配置(不包括配置5)通过计算损失的概率(见(6在每个配置)。这包括识别损伤配置2、3、4和9没有用于训练分类器。

图11显示了neural-wavelet损伤指标八个配置分类器识别使用最佳的损害。均值和标准差的每个8配置计算平均14时间窗口,每一个都是8秒。图11还显示损伤的严重程度指标本文基于损伤量化建议(见(1))。配置7,8,9,归类为“完全破坏”(表2)概率的损失100%到90不等。“部分受损”配置2、3、4和6有损伤指标介于40至60%,一个描述性的损伤指标9日和31日之间。“健康”配置1显示损伤指标这是低于5%,一个描述性的损伤指标值为零。因此,显而易见的描述性的损伤指标之间存在良好的协议和neural-wavelet损伤指标。

上面的结果提供了一种损伤检测方法,可以检测到损伤在八损伤阶段II-E陈纯基准结构的配置;拟议的损伤指标也可以用来分类/量化基准结构损伤严重程度与合理的准确性。这是归因于这样一个事实:损伤的损伤特性进行优化分类。优化过程正确分类“部分受损”基准配置导致的损伤概率范围从40到60%。“完全损坏”配置也正确分类的概率损失100%到90不等。最优neural-wavelet方法已被证明能够检测损伤发生和显示良好的敏感性量化损伤严重程度低和高伤害的配置。然而,模型显示不准确量化部分受损的情况下,可能会增强如果部分损伤的其他配置数据被用于建立分类器。

最后,提出neural-wavelet框架可以应用于真实世界的结构损伤诊断和分类。这就需要开发一个有限元模型来模拟结构的动态行为和验证这个模型使用从结构中观察到的历史数据。损伤可以引入有限元模型与不同程度的损伤严重程度和在不同的位置。这个模拟的数据可以用于优化安和建立neural-wavelet模块。发达neural-wavelet模块可以用来检测和分类损失在现实结构。

我们需要强调的是,然而,总体损失指标并不是唯一的但损害严重程度提供一个指标。重要的是要意识到伤害是不可测的数量和伤害指标不能直接比较。这种损伤量化误差是一种内在的损伤的定义相关损伤的特点所提出的许多研究人员(65年,69年- - - - - -71年]。因此,使用绝对数字量化损伤严重程度和准确性措施验证损伤量化的使用可能会导致错误的结论。验证应当限于测试指标表明损伤的分类能力等“低、温和、高”。广泛的概率描述每个配置的损伤水平是由于考虑的不确定性量化损伤。很明显,损害量化是一个具有挑战性的问题,有助于概率,模糊或不精确的量化。

5。结论

我们证明这是可能建立损伤模式识别方法,设计一个损伤分类器集成安和WMRA。一种优化技术使用导数免费优化(遗传算法)是用来确定最优安架构。神经网络,包括三个隐藏层2、7和10个神经元在第一,第二和第三分别隐藏层,能够成功地检测和量化损伤评估指标结构合理的敏感性。

neural-wavelet方法旨在建立底层结构动态响应之间的关系(加速度信号)在健康的性能结构的不同位置然后承认这种关系的变化是先进结构的破坏。而使用ANN学习结构动力学的基本关系证明是成功的,一些缺点安与不宽容的训练数据的不确定性。因此建议公差分类不确定性较高的其他学习方法如模糊推理系统,自适应模糊学习的例子(72年]或支持向量机可能会检查作为替代神经网络实现结构性的动态关系。

确认

作者大大赞赏了金融支持国防威胁降低局(DTRA)。特别感谢研究助理:莫莉McCuskey斯科特•霍顿和埃尔多安Altunok努力与作者单孔位微吹气扰动的研究项目。

引用

1. f . k . Chang Ed。结构健康监测:现状和观点,程序的结构健康监测的国际研讨会美国斯坦福大学,加州,1997年。
2. d . l . Balageas Ed。结构健康监测2004:学报第一国际欧洲结构健康监测研讨会,巴黎,法国,2002年。
3. c·鲍勒和w·j . Staszewski Eds。结构健康监测2004:第二届国际欧洲结构健康监测研讨会谢菲尔德大学,慕尼黑,德国,2004年。
4. a . Guemes Ed。结构健康监测2006:第二届国际欧洲结构健康监测研讨会2006年,格拉纳达,西班牙。
5. f . k . Chang Ed。结构健康监测2007:量化、验证和实现:学报第六届国际研讨会在结构健康监测美国斯坦福大学,加州,2007年。
6. 洛斯阿拉莫斯国家实验室”,结构健康监测方面的文献:1996 - 2001,“la - 13976 ms, 2004。视图:谷歌学术搜索
7. e·A·约翰逊·h·f·Lam l . s . Katafygiotis和j·l·贝克“基准结构健康监测和损伤诊断的问题,”14工程力学学报》会议评估奥斯汀,德克萨斯州,美国,2000。视图:谷歌学术搜索
8. e·a·约翰逊·h·f·Lam l . s . Katafygiotis和j·l·贝克”第一阶段IASC-ASCE结构健康监测基准问题使用模拟数据,”《工程力学,卷130,不。1,3日- 15日,2004页。视图:出版商的网站|谷歌学术搜索
9. s . j .堤坝d·伯纳尔j·l·贝克和c·文图拉,“在结构健康监测实验基准问题第三届国际研讨会学报》在结构健康监测美国斯坦福大学,加州,2001年。视图:谷歌学术搜索
10. s . j .堤坝、j . m . Caicedo和e·a·约翰逊”监测基准结构损伤识别,”《土木工程力学会议奥斯汀,德克萨斯州,美国,2000。视图:谷歌学术搜索
11. 赫拉,z侯,m .这“土木结构健康监测基准研究小波方法”3日学报》国际研讨会在结构健康监测美国斯坦福大学,加州,2001年。视图:谷歌学术搜索
12. n . y .杨、美国林和s .锅”损伤诊断的健康监测基准建筑使用前景光谱分析,”学报》国际会议建筑技术的进步香港,页1017 - 1024年,2002年12月。视图:谷歌学术搜索
13. 赫拉和z侯”,应用小波方法对土木结构健康监测基准研究,“《工程力学,卷130,不。1,第104 - 96页,2004。视图:出版商的网站|谷歌学术搜索
14. z太阳和c . c . Chang“结构性退化监测使用covariance-driven小波包签名,“结构健康监测,卷2,不。4、309 - 325年,2003页。视图:出版商的网站|谷歌学术搜索
15. l·s·h·f·Lam Katafygiotis, n . c .马克堡”一个统计模型更新方法的应用程序的第一阶段IASC-ASCE结构健康监测基准研究,“《工程力学,卷130,不。1,34-48,2004页。视图:出版商的网站|谷歌学术搜索
16. K.-V。袁、s . k . Au和j·l·贝克”两级结构健康监测方法第一阶段基准研究”《工程力学,卷130,不。1,16-33,2004页。视图:出版商的网站|谷歌学术搜索
17. h . Luşr·贝蒂j . Yu, m . De旧金山”调查的系统辨识方法在第3期基准问题的背景下,“《工程力学,卷130,不。1,第84 - 71页,2004。视图:出版商的网站|谷歌学术搜索
18. j . m . Caicedo s . j .堤坝和e·a·约翰逊,“自然激励技术和eigensystem IASC-ASCE基准问题的实现算法,第一阶段:模拟数据,”《工程力学,卷130,不。1,49-60,2004页。视图:出版商的网站|谷歌学术搜索
19. d·伯纳尔和b枪”,基于弹性损伤特征:基准测试应用程序中,“《工程力学,卷130,不。1,第70 - 61页,2004。视图:出版商的网站|谷歌学术搜索
20. 美国林、杨j . n和l .周”损伤识别基准建筑结构健康监测,“智能材料和结构,14卷,不。3,S162-S169, 2005页。视图:出版商的网站|谷歌学术搜索
21. 诉Begoc j·g·蔡斯,l·r·巴罗佐”高效的结构健康监测基准使用自适应RLS滤波器结构,”计算机与结构,卷83,不。8 - 9,639 - 647年,2005页。视图:出版商的网站|谷歌学术搜索
22. j·r·吴和李问:美国“结构性参数识别和损伤检测钢结构使用两阶段有限元模型更新方法,”结构钢研究杂志》上,卷62,不。3、231 - 239年,2006页。视图:出版商的网站|谷歌学术搜索
23. j·n·杨和h .黄”,连续的非线性最小二乘估计的结构损伤识别未知的未知输入和输出,“国际期刊的非线性力学,42卷,不。5,789 - 801年,2007页。视图:出版商的网站|谷歌学术搜索
24. y美津浓和y Fujino数据存档和处理方法使用小波分解为结构健康监测,”陈纯会议程序在土木工程计算,页673 - 680,宾夕法尼亚州匹兹堡,美国,2007年。视图:谷歌学术搜索
25. w·周l . Mevel h·李,“随机subspace-based结构识别和损伤detection-application陈纯基准结构,”学报第六届国际研讨会在结构健康监测,c . Fu-Kuo Ed,页645 - 652,斯坦福,加州,美国,2007年。视图:谷歌学术搜索
26. z侯和a·赫拉”第二阶段的研究进展评估健康监测基准数据使用小波方法,”第15届土木工程力学学报》会议美国纽约哥伦比亚大学,纽约,2002年。视图:谷歌学术搜索
27. l·r·巴罗佐和r·罗德里格斯”应用程序的第二阶段的损伤指数法分析SHM基准问题,”土木水利工程力学会议程序美国,纽约,纽约,2004年。视图:谷歌学术搜索
28. s . Casciati”统计模型比较损伤检测基准,使用中国”程序第二欧洲研讨会结构健康监测c·鲍勒,w . j . Staszewski Eds。,pp. 695–701, University of Sheffield, Munich, Germany, 2004.视图:谷歌学术搜索
29. 赫拉和z侯”,小波方法进行损伤诊断使用评估基准研究的实验数据,”《土木工程力学会议2003年美国,西雅图,洗。视图:谷歌学术搜索
30. Dincal和a·赖斯”使用频率响应函数,结构损伤检测第五届国际研讨会学报》在结构健康监测,c . Fu-Kuo Ed,斯坦福,加州,美国,2005年。视图:谷歌学术搜索
31. k . k . Nair, a s Kiremidjian和k h .法律,“时间系列,损伤检测和定位算法与应用程序的评估指标结构,”杂志的声音和振动,卷291,不。1 - 2、349 - 368年,2006页。视图:出版商的网站|谷歌学术搜索
32. j .京和j·l·贝克”两级贝叶斯结构健康监测方法二期评估基准研究”《IMAC-XXI会议美国奥兰多,佛罗里达州,2003年。视图:谷歌学术搜索
33. j .京和j·l·贝克,”贝叶斯分析二期IASC-ASCE结构健康监测experimetnal基准数据,”《工程力学,卷130,不。10日,1233 - 1244年,2004页。视图:出版商的网站|谷歌学术搜索
34. d·吉拉尔多·j·m·Caicedo和s·j·戴克单孔位微吹气扰动基准研究的实验阶段。损伤检测使用下一个时代,”第16届土木工程力学学报》会议2003年美国,西雅图,洗。视图:谷歌学术搜索
35. j·p·林奇,“破坏特征的IASC-ASCE结构健康监测基准结构传递函数极点迁移,”美国国会和法医土木结构工程研讨会,页845 - 854,纽约,纽约,美国,2005年4月。视图:谷歌学术搜索
36. s . j . Liu x Wang元,g . Li”简要地变换结构健康监测方法。”智能材料系统和结构》杂志上,17卷,不。8 - 9,721 - 728年,2006页。视图:出版商的网站|谷歌学术搜索
37. m . m . McCuskey m . m . Reda Taha, s·r·霍顿和t·j·巴卡”识别损伤评估指标结构使用neural-wavelet模块”诉讼第三欧洲结构健康监测研讨会,a . Guemes Ed,页421 - 429,格拉纳达,西班牙,2006。视图:谷歌学术搜索
38. m . c . McCuskey结构损伤分类使用neural-wavelet模块的优化和融合的可能性,土木工程学系硕士论文阿尔伯克基的新墨西哥大学纳米,美国,2007。
39. e . p . Carden和j . m . w . Brownjohn ARMA时间序列建模分类结构健康监测的民用基础设施,“机械系统和信号处理,22卷,不。2、295 - 314年,2008页。视图:出版商的网站|谷歌学术搜索
40. m . b . Bischop神经网络模式识别,牛津大学出版社,纽约,纽约,美国,1996年。
41. p·祖文萃m·h·h·沈,“使用神经网络的结构损伤检测和识别,”张仁杂志,32卷,不。1,第183 - 176页,1994。视图:谷歌学术搜索
42. Sexton r s、r·e·多尔西和j·d·约翰逊,“优化神经网络:比较分析遗传算法和模拟退火的”欧洲运筹学杂志》上,卷114,不。3、589 - 601年,1999页。视图:谷歌学术搜索
43. m·f·Elkordy k . c . Chang和g·c·李,“结构性破坏神经网络监控系统”,微型计算机在土木工程,9卷,不。2、83 - 96年,1994页。视图:出版商的网站|谷歌学术搜索
44. e . Douka s Loutridis, a . Trochidis裂缝识别梁使用小波分析,“国际期刊的固体和结构,40卷,不。13 - 14日,第3569 - 3557页,2003年。视图:出版商的网站|谷歌学术搜索
45. m . m . Reda Taha, a . Noureldin产品,所的的j·l·Lucero t·j·巴卡,“小波变换结构健康监测:的用途和功能,“结构健康监测,5卷,不。3、267 - 295年,2006页。视图:出版商的网站|谷歌学术搜索
46. 苏z l .你们,”一个智能信号处理和模式识别技术进行缺陷识别使用积极的传感器网络,”智能材料和结构,13卷,不。4、957 - 969年,2004页。视图:出版商的网站|谷歌学术搜索
47. H.-F。Lam K.-V。袁,j·l·贝克”通过测量结构健康监测里兹向量利用人工神经网络,”计算机辅助土木与基础设施工程,21卷,不。4、232 - 241年,2006页。视图:出版商的网站|谷歌学术搜索
48. K.-V。袁和H.-F。林,“人工神经网络智能结构监测的复杂性,“工程结构,28卷,不。7,977 - 984年,2006页。视图:出版商的网站|谷歌学术搜索
49. r·o·杜达·e·哈特和d . g .鹳,模式分类威利跨学科,纽约,纽约,美国,2001年。
50. l . h .山药、y . j .燕和j·s .江”Vibration-based复合结构的损伤诊断使用小波变换和神经网络识别,”复合结构,60卷,不。4、403 - 412年,2003页。视图:出版商的网站|谷歌学术搜索
51. h·金和h,“小波分析的结构损伤诊断。”工程结构,26卷,不。3、347 - 362年,2004页。视图:出版商的网站|谷歌学术搜索
52. Y.-S。刁,周宏儒。李,王y”,两步结构损伤检测方法基于小波包分析和神经网络,”国际会议在机器学习和控制论2006年8月,页3128 - 3133。视图:出版商的网站|谷歌学术搜索
53. 江x和h·埃德里,“Pseudospectra、音乐和动态小波神经网络进行损伤检测的高层建筑,”国际期刊工程中的数值方法,卷71,不。5,606 - 629年,2007页。视图:出版商的网站|谷歌学术搜索
54. 江x和s·马哈,“为非参数贝叶斯概率推理结构的损伤诊断,”《工程力学,卷134,不。10日,820 - 831年,2008页。视图:出版商的网站|谷歌学术搜索
55. 江x, s·马哈,r . Guratzsch“贝叶斯小波方法热保护系统板的损伤检测,”张仁杂志卷,47号4、942 - 952年,2009页。视图:出版商的网站|谷歌学术搜索
56. h .孙d·w·艾伦,k .危险,和c·r·法勒”结构损伤分类使用极值统计,“杂志的动态系统、测量和控制,卷127,不。1,第132 - 125页,2005。视图:出版商的网站|谷歌学术搜索
57. e . Altunok m . m . Reda Taha, t·j·罗斯,“可能主义的损伤诊断方法在结构健康监测中,“结构工程杂志,卷133,不。9日,第1256 - 1247页,2007年。视图:出版商的网站|谷歌学术搜索
58. 评估基准组,http://wusceel.cive.wustl.edu/asce.shm/benchmarks.htm。
59. e . Altunok m . m . Reda Taha, d . s . Epp r·l·梅和t·j·巴卡”破坏模式识别结构健康监测使用模糊相似性处方,”计算机辅助土木与基础设施工程,21卷,不。8,549 - 560年,2006页。视图:出版商的网站|谷歌学术搜索
60. m . m . Reda Taha, a . Noureldin a .奥斯曼和n . El-Sheimy”介绍了用小波多分辨率分析的智能结构健康监测,“加拿大土木工程杂志》上没有,卷。31日。5,719 - 731年,2004页。视图:出版商的网站|谷歌学术搜索
61. s . g . Mallat小波信号处理,纽约学术,纽约,纽约,美国,1999年。
62. 和j·m·•哈斯称Widjajakusuma”,损伤识别基于脊和小波变换的极大值线,”国际工程科学杂志》上第41卷。。13 - 14日,第1443 - 1423页,2003年。视图:出版商的网站|谷歌学术搜索
63. a . v . Ovanesova和l·e·苏亚雷斯”的应用小波变换在框架结构损伤诊断,”工程结构,26卷,不。1,39-49,2004页。视图:出版商的网站|谷歌学术搜索
64. 美国霍顿,m . m . Reda Taha, t·j·巴卡”neural-wavelet损伤检测模块结构健康监测,”程序结构健康监测的第五届国际研讨会美国斯坦福大学,加州,2005年。视图:谷歌学术搜索
65. c·r·法勒和d·a·哈乌雷吉曾”比较研究损伤识别算法应用于一座桥:II。数值研究。”智能材料和结构,7卷,不。5,720 - 731年,1998页。视图:谷歌学术搜索
66. j·李,张y,朱,“小波结构损伤评估方法与逐步下载传感器数据,”智能材料和结构,17卷,不。1,文章ID 015020, 2008。视图:出版商的网站|谷歌学术搜索
67. g . Vanderplatts数值优化技术工程设计与应用程序美国麦格劳-希尔,纽约,纽约,1984年。
68. r . l . Haupt和s e . Haupt实用遗传算法约翰·威利& Sons,纽约,美国纽约,1998年。
69. Toussi和j·t·p·么,”结构损伤评估使用的理论证据,”结构安全,1卷,不。2、107 - 121年,1982页。视图:谷歌学术搜索
70. m . m . Reda塔哈和产品,所的的j . Lucero”损伤识别对于使用模糊模式识别的结构健康监测,“工程结构,27卷,不。12日,第1783 - 1774页,2005年。视图:出版商的网站|谷歌学术搜索
71. m . Chandrashekhar Ganguli r .,“不确定性处理使用模糊逻辑在结构损伤检测和概率模拟,”机械系统和信号处理,23卷,不。2、384 - 404年,2009页。视图:出版商的网站|谷歌学术搜索
72. t·j·罗斯,模糊逻辑与工程应用约翰·威利& Sons,伦敦,英国,2004年。

版权

版权©2010马哈茂德·m·Reda塔哈。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。