论文部分内容阅读
量子粒子群算法(Quantum-behaved Particle Swarm Optimization, QPSO)作为一种全局收敛的人工智能算法,以其系统辨识能力强、控制参数少、善于解决复杂优化问题等优点,近年来成为智能算法应用于结构健康监测的新兴热点课题。本文依据QPSO算法自身特性,以当前模态参数和损伤识别存在的不足为出发点,将QPSO算法分别与连续小波变换(Continuous Wavelet Transform, CWT)、广义柔度矩阵(Generalized Flexibility Matrix、时程响应(Time History Response, THR)等相结合,从而将识别问题转化为优化问题,简化了识别过程,提高了识别精度。具体研究内容及其成果如下：(1)系统评述了目前结构模态参数和损伤识别的理论意义、应用背景、研究现状以及存在的问题,由此提出基于QPSO算法的桥梁健康监测研究的思路和主要内容；(2)详细阐述了QPSO算法的产生背景、基本原理、计算流程及优化特性等,同时对CWT、GFM的基本理论、主要特性和表现形式等进行了简要论述;(3)针对环境激励下小波变换和PSO算法(Particle Swarm Optimization)识别模态参数过程的优缺点,提出了QPSO+CWT的模态参数识别方法。通过对结构响应信号进行连续小波变换,实现多自由度系统响应转化为多个单自由度响应,然后QPSO算法优化单自由度响应,一次性识别出结构的模态参数。该方法一方面减少了QPSO算法所需识别的参数数量,放宽了各粒子约束条件,另一方面对模态参数共同优化,简化了计算步骤,改善了识别精度。采用不同结构类型的数值仿真对该方法有效性和可行性进行了验证；(4)基于柔度灵敏度和广义柔度灵敏度在损伤识别中存在的问题,提出了QPSO+GFM识别结构损伤的方法。利用损伤前后结构广义柔度差矩阵与结构物理参数变化之间的关系,以广义柔度矩阵构造目标函数,QPSO算法进行优化识别,达到同时准确定位、定量识别损伤的双重效果。不同结构类型的数值仿真结果表明该方法优于柔度灵敏度、广义柔度灵敏度法,其有效性不言而喻；(5)考虑到基于时程响应的PSO算法识别结构损伤的不足,提出采用直接优化损伤参数的QPSO+THR法同时识别结构损伤位置和损伤程度,通过不同结构类型数值模拟验证了该方法的有效性与良好的抗噪性。