论文部分内容阅读
基于ANSYS有限元软件,在满足实际结构力学条件及几何截面条件的情况下,TLJ900型架桥机悬臂梁采用beam189单元,起吊小车及发动机采用mass21质量单元,其它均采用she1163单元建立,然后各自赋予材料属性及截面属性。在边界条件的处理上,首先将前后支腿中间节点与周围节点形成刚性区域,然后对中间节点施加X、Y、Z方向的位移约束,而对ROTX、ROTY、ROTZ沿各坐标轴转动自由度释放。采用刚性区域将起吊小车及发动机与主梁连接。采用MPC184技术将悬臂梁与前横联连接。在前支腿与主梁连接处建立公共节点,并创建局部柱坐标系,使用CPINTF命令将公共节点处除方向的自由度未耦合外其他自由度全部耦合。损伤标识量选取的合理与否对结构损伤识别的效果有直接影响,本文分别以标准化的频率改变率,归一化的损伤信号,频率平方变化比,作为PNN网络的输入参数。采用两步识别法对TLJ900型架桥机的损伤位置进行识别。首先将TLJ900型架桥机分为主梁,前支腿,后支腿三个子结构。以标准化的频率改变率,频率平方变化比作为PNN网络的输入参数,以对应的损伤子结构作为网络的目标向量,即1表示主梁损伤,2表示前支腿损伤,3表示后支腿损伤。分别在三个子结构上均匀选取大量样本,对PNN网络进行训练,利用训练好的概率神经网络对样本做交叉多次做仿真实验,初步识别出损伤所在的子结构。然后假设已识别出损伤在主梁上,为进一步在较小的范围内锁定损伤,现将主梁划分为尾部,中部,头部三段对损伤位置进行识别,以标准化的频率改变率,频率平方变化比,归一化的损伤信号作为PNN网络的输入参数,以对应的损伤所在的段作为网络的目标向量,即1表示尾部损伤,2表示中部损伤,3表示头部损伤。在主梁上均匀选取大量样本,对新创建的PNN神经网络进行训练,利用训练好的新的概率神经网络对样本做交叉多次做仿真实验,识别出损伤所在的段。数值模拟结果表明,(1)裂纹损伤程度越大识别效果越好;总体而言,对与训练样本相同位置不同损伤程度的损伤检测样本识别效果要优于对与训练样本不同位置不同损伤程度的损伤检测样本的识别效果。(2)采用PNN对架桥机损伤子结构进行识别时,仅仅在结构边缘区域的个别损伤未识别正确,但总体效果很理想。(3)在对主梁损伤分段进行识别时,在分段交界处概率神经网络易混淆损伤所属分段范围,但各段的中心区域损伤位置均能被识别正确,达到了预期的效果。(4)研究表明概率神经网络能将架桥机的损伤锁定在较小的区域内,采用两步法对架桥机以单元节点断开形式模拟的裂纹进行识别是可行的。