桥梁车辆移动载荷识别MFI(Moving Force Identification)是结构动力学领域中的一个典型反问题.针对现有基于共轭梯度方法的载荷识别方法对多轴车辆荷载识别效果不佳的问题,提出了一种基于改进分数阶共轭梯度算法IFCG(Improved Fractiona...桥梁车辆移动载荷识别MFI(Moving Force Identification)是结构动力学领域中的一个典型反问题.针对现有基于共轭梯度方法的载荷识别方法对多轴车辆荷载识别效果不佳的问题,提出了一种基于改进分数阶共轭梯度算法IFCG(Improved Fractional Conjugate Gradient)的载荷识别方法.基于车辆行驶过程在时域中建立车桥动力系统,通过模态叠加原理得到桥梁动态响应,将MFI问题转化为无约束优化问题;其次,引入新的搜索方向标量,使所提算法能够针对多轴以及高噪声情况下保持精度和识别效率;接着,通过识别两轴车辆移动载荷验证了所提方法的有效性;然后,对分数阶次进行定量对比研究,选择最优分数阶次;最后,通过识别多种工况下的三轴车辆载荷,将所提方法与现有方法进行对比,验证了IFCG方法在不同工况下的桥梁多轴车辆MFI都具有较高的识别精度和速度.展开更多
为了能够准确地判定系统的时间动态特性,提出一种基于设备运行状态信息的实时可靠度算法。该算法从设备的状态特征指标出发,结合贝叶斯(Bayes)方法和KM(Kaplan-Meier)评估器思想,无需对设备失效概率密度函数(Probability Density Functi...为了能够准确地判定系统的时间动态特性,提出一种基于设备运行状态信息的实时可靠度算法。该算法从设备的状态特征指标出发,结合贝叶斯(Bayes)方法和KM(Kaplan-Meier)评估器思想,无需对设备失效概率密度函数(Probability Density Function,PDF)进行估计,也不会因样本太少而引起大的估计误差。以上述方法计算所得到的可靠度作为刀具实际可靠度,对比分析支持向量机(Support Vector Machine,SVM)与反馈神经网络(Back Propagation Neural Network,BPNN)两种方法在不同样本条件下的预测精度。结果表明在大样本条件下,两模型都具有较高的预测精度和较小的预测误差;小样本条件下,BPNN方法预测误差过大而达不到预测的功能,而SVM方法仍能保持较高的预测精度和较小的预测误差,与BPNN相比具有明显的优势。展开更多
