论文部分内容阅读
随着我国移动通信技术的快速迭代,基础网络设备不断更新,并且在当前多种制式网络共存运营的情况下,钢结构通信塔上搭载的设备随着网络制式的更新而逐渐增加。在长期使用的情况下,钢结构通信塔出现损伤的概率也逐渐上升。因此,有必要对钢结构通信塔的结构健康状况进行检测。目前的钢结构通信塔检测手段主要为人工巡检,存在检测周期长、损伤发现不及时以及检测质量不稳定等不足之处。为了解决上述问题,有必要对自动化的钢结构通信塔检测方法进行研究,而自动化检测的核心部分即是损伤的自动识别。因此,本文主要对基于神经网络的钢结构通信塔损伤识别进行研究。本文提出了基于BP-RBF神经网络的多重分步损伤识别方法。采用ANSYS软件对可以反映钢结构通信塔损伤位置与损伤程度的模态数据进行提取,选取了基于固有频率的损伤标示量构成损伤识别样本库,以供神经网络损伤识别使用。本文采用BP神经网络进行损伤定位,采用RBF神经网络进行损伤程度的识别,并针对具体的损伤识别任务分别选取能够体现损伤信息的模态数据构成损伤样本库,分别进行神经网络的设计。通过分解问题,采用多网络共同识别,降低了损伤识别问题的复杂度,提高了方法可行性与可靠性。完成了损伤识别神经网络的初步设计后,本文选取了陕西某三边形钢管塔作为实例开展了损伤识别算例研究。使用基于Lenenberg-Marquardt算法的BP神经网络对损伤所在塔段进行了识别,平均识别准确率达96.66%。使用基于弹性梯度下降算法的BP神经网络对损伤杆件类型进行了判断,平均识别准确率达97%。使用RBF神经网络对杆件损伤程度进行了识别,90%的样本识别误差在5%以内。综合以上三个网络的识别信息,较好的实现了钢结构通信塔杆件损伤的识别。对基于神经网络的钢结构通信塔损伤识别方法的可行性予以了验证。考虑到建模精度与测量因素所导致的误差对损伤识别的影响,本文以损伤塔段识别为例,采用带误差的样本对神经网络在误差下的性能表现进行了研究。经验证,在5%以内的误差水平下,对损伤塔段的平均识别成功率达80%以上,基于神经网络的钢结构通信塔损伤识别方法具有较好鲁棒性。最后,在上述研究成果的基础上,本文提出了基于神经网络损伤识别的钢结构通信塔自动化无损检测系统框架,对自动化检测系统的进一步研究进行了展望。