结构损伤识别中存在的不确定性因素相互渗透、相互耦合,对识别结果有较大影响。针对此问题,提出基于随机模型修正和云模型漂移性度量(Kullback-Leibler divergence based on cloud model,简称KLDCM)的不确定性损伤识别方法。首先,采用...结构损伤识别中存在的不确定性因素相互渗透、相互耦合,对识别结果有较大影响。针对此问题,提出基于随机模型修正和云模型漂移性度量(Kullback-Leibler divergence based on cloud model,简称KLDCM)的不确定性损伤识别方法。首先,采用云模型数字特征参数量化不同状态下实测数据的不确定性,并通过云发生器扩充实测数据;其次,基于改进随机模型修正方法计算与扩充后数据所对应的结构物理参数,根据云模型外包络曲线计算未知工况与健康工况下结构各单元物理参数的漂移度,并以归一化后各单元漂移度指标均值为阈值判别损伤单元位置;然后,在损伤位置判断的基础上,以损伤单元物理参数期望值来衡量损伤单元的损伤程度;最后,采用数值模拟和实际结构验证所提方法的可行性及可靠性,探讨了噪声水平、原始样本个数对损伤识别结果的影响。研究结果表明,与基于最大边界曲线法(maximum-boundary curve method,简称MCM)相比,所提方法受不确定性因素影响较小,具有更好的损伤识别精度。展开更多
文摘结构损伤识别中存在的不确定性因素相互渗透、相互耦合,对识别结果有较大影响。针对此问题,提出基于随机模型修正和云模型漂移性度量(Kullback-Leibler divergence based on cloud model,简称KLDCM)的不确定性损伤识别方法。首先,采用云模型数字特征参数量化不同状态下实测数据的不确定性,并通过云发生器扩充实测数据;其次,基于改进随机模型修正方法计算与扩充后数据所对应的结构物理参数,根据云模型外包络曲线计算未知工况与健康工况下结构各单元物理参数的漂移度,并以归一化后各单元漂移度指标均值为阈值判别损伤单元位置;然后,在损伤位置判断的基础上,以损伤单元物理参数期望值来衡量损伤单元的损伤程度;最后,采用数值模拟和实际结构验证所提方法的可行性及可靠性,探讨了噪声水平、原始样本个数对损伤识别结果的影响。研究结果表明,与基于最大边界曲线法(maximum-boundary curve method,简称MCM)相比,所提方法受不确定性因素影响较小,具有更好的损伤识别精度。
