基于模态应变能与神经网络的地下拱形结构损伤诊断
结构模态分析方法
模态分析技术的发展现状综述 摘要：本文首先系统的介绍了模态分析的定义，并以模态分析技术的理论为基础，查阅了大量的文献和资料后，介绍了三种模态分析技术在各领域的应用，以及国内外对于结构模态分析技术研究的发展现状，分析并总结三种模态分析技术的特点与发展前景。 关键词：模态分析技术发展现状 Modality Analysis Technology Development Present Situation Summary Abstract：This article first systematic introduction the definition of modality analysis,and based on modal analysis theory,after has consulted the massive literature and the material.Introduced application about three kind of modality analysis technology in various domains. At home and abroad, the structural modal analysis technology research and development status quo.Analyzes and summarizes three kind of modality analysis technology characteristic and the prospects for development. Key words：Modality analysis Technology Development status 0 引言 模态分析是研究结构动力特性一种近代方法，是系统辨别方法在工程振动领域中的应用。模态是机械结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为模态分析。模态分析的过程如果是由有限元计算的方法完成的，则称为计算模态分析;如果是通过试验将采集的系统输入与输出信号经过参数识别来获得模态参数的，称为试验模态分析。通常，模态分析都是指试验模态分析。振动模态是弹性结构的固有的、整体的特性。如果通过模态分析方法搞清楚了结构物在某一易受影响的频率范围内各阶主要模态的特性，就可能预言结构在此频段内在外部或内部各种振源作用下实际振动响应。因此，模态分析是结构动态设计及设备故障诊断的重要方法。 1 数值模态分析的发展现状 数值模态分析主要采用有限元法，它是将弹性结构离散化为有限数量的具体质量、弹性特性单元后，在计算机上作数学运算的理论计算方法。它的优点是可以在结构设计之初，根据有限元分析结果，便预知产品的动态性能，可以在产品试制出来之前预估振动、噪声的强度和其他动态问题，并可改变结构形状以消除或抑制这些问题。只要能够正确显示出包含边界条件在内的机械振动模型，就可以通过计算机改变机械尺寸的形状细节。有限元法的不足是计算繁杂，耗资费时。这种方法，除要求计算者有熟练的技巧与经验外，有些参数(如阻尼、结合面特征等)目前尚无法定值，并且利用有限元法计算得到的结果，只能是一个近似值。 正因如此，大多数数学模拟的结构，在试制阶段常应做全尺寸样机的动态试验，以验证计算的可靠程度并补充理论计算的不足，特别对一些重要的或涉及人身安全的结构，就更是如此。 70 年代以来，由于数字计算机的广泛应用、数字信号处理技术以及系统辨识方法的发展 , 使结构模态试验技术和模态参数辨识方法有了较大进展，所获得的数据将促进产品性能的改进、更新[1] 。在硬件上，国外许多厂家研制成功各种类型的以FFT和
(完整版)深度神经网络及目标检测学习笔记(2)
深度神经网络及目标检测学习笔记 https://youtu.be/MPU2HistivI 上面是一段实时目标识别的演示，计算机在视频流上标注出物体的类别，包括人、汽车、自行车、狗、背包、领带、椅子等。 今天的计算机视觉技术已经可以在图片、视频中识别出大量类别的物体，甚至可以初步理解图片或者视频中的内容，在这方面，人工智能已经达到了3岁儿童的智力水平。这是一个很了不起的成就，毕竟人工智能用了几十年的时间，就走完了人类几十万年的进化之路，并且还在加速发展。 道路总是曲折的，也是有迹可循的。在尝试了其它方法之后，计算机视觉在仿生学里找到了正确的道路（至少目前看是正确的）。通过研究人类的视觉原理，计算机利用深度神经网络（Deep Neural Network，NN）实现了对图片的识别，包 括文字识别、物体分类、图像理解等。在这个过程中，神经元和神经网络模型、大数据技术的发展，以及处理器（尤其是GPU）强大的算力，给人工智能技术 的发展提供了很大的支持。 本文是一篇学习笔记，以深度优先的思路，记录了对深度学习（Deep Learning）的简单梳理，主要针对计算机视觉应用领域。 一、神经网络 1.1 神经元和神经网络 神经元是生物学概念，用数学描述就是：对多个输入进行加权求和，并经过激活函数进行非线性输出。 由多个神经元作为输入节点，则构成了简单的单层神经网络（感知器），可以进行线性分类。两层神经网络则可以完成复杂一些的工作，比如解决异或问题，而且具有非常好的非线性分类效果。而多层（两层以上）神经网络，就是所谓的深度神经网络。 神经网络的工作原理就是神经元的计算，一层一层的加权求和、激活，最终输出结果。深度神经网络中的参数太多（可达亿级），必须靠大量数据的训练来“这是苹在父母一遍遍的重复中学习训练的过程就好像是刚出生的婴儿，设置。．果”、“那是汽车”。有人说，人工智能很傻嘛，到现在还不如三岁小孩。其实可以换个角度想：刚出生婴儿就好像是一个裸机，这是经过几十万年的进化才形成的，然后经过几年的学习，就会认识图片和文字了；而深度学习这个“裸机”用了几十年就被设计出来，并且经过几个小时的“学习”，就可以达到这个水平了。 1.2 BP算法 神经网络的训练就是它的参数不断变化收敛的过程。像父母教婴儿识图认字一样，给神经网络看一张图并告诉它这是苹果，它就把所有参数做一些调整，使得它的计算结果比之前更接近“苹果”这个结果。经过上百万张图片的训练，它就可以达到和人差不多的识别能力，可以认出一定种类的物体。这个过程是通过反向传播（Back Propagation，BP）算法来实现的。 建议仔细看一下BP算法的计算原理，以及跟踪一个简单的神经网络来体会训练的过程。
基于曲率模态的拱板结构损伤识别
第29卷第5期暨南大学学报(自然科学版) V ol .29 N o .52008年10月Jou rnal of J inan U niversity (N atural Science ) O ct . 2008 [收稿日期] 2008-05-06 [基金项目] 广东省科技攻关项目(2006B12401008);广东省高校自然科学重点研究项目(05Z003) [作者简介] 赵 俊(1983-),男,博士生,研究方向:结构损伤检测和加固;E 2mail:zhaojunjick@https://www.360docs.net/doc/c1369758.html,.通讯作者:马宏伟 基于曲率模态的拱板结构损伤识别 赵 俊1 , 程良彦2 , 马宏伟 2 (1.暨南大学信息技术研究所,广州市盛通建设工程质量检测有限公司,广东广州510075;2.暨南大学理工学院,“重大工程灾害与控制”教育部重点实验室,广东广州510632) [摘 要] 以两边铰支的圆弧形拱板为研究对象,通过有限元数值模拟计算得到拱损伤前后的第一阶模态参数, 然后运用中心差分法近似求得拱板面内两方向的径向位移模态曲率和转角位移的二阶导数,并用于拱板的损伤检测研究.结果表明:当布置有足够数量的振型测点时,拱板损伤前后径向位移两方向模态曲率差之和与转角位移两方向二阶导数差之和均可有效地用于拱板损伤的探测和定位,并大致判断其损伤程度. [关键词] 曲率模态; 拱板; 无损检测; 数值模拟 [中图分类号] O235 [文献标识码] A [文章编号] 1000-9965(2008)05-0470-08 The damage detecti on i n the arch ba si n g on the changes i n curva ture m ode shape Z HAO Jun 1 ,CHE N L iang 2yan 2 ,MA Hong 2wei 2 (1.I nf or mati on Technol ogy Research I nstitute,J inan University,Guangzhou Shengt ong Quality Testing of Constructi on Company,Guangzhou 510075,China; 2.College of Science &Engineering,J inan University,The Key Laborat ory of D isaster Forecast and Contr ol in Engineering,M inistry of Educati on of China,Guangzhou 510632,China ) [Abstract] Taking a circular arch si m p ly supported al ong its t w o edges as an object of study,a study on the da mage detecti on of the arch ismade based on its dis p lace ment eigenpara meters and r otati on eigen 2para meters ,which are derived fr om calculated modal para meters of the arch before and after its da mage .Analytical results show that the de mage,including its l ocati on and extent,can be or can app r oxi m ately be detected fr o m both the changes of curvature mode shapes and the second 2order derivative of r otati on chan 2ges due t o the de mage,p r ovided that the number of points f or measuring the mode shapes of the arch is large enough . [Key words] curvature mode; arch; non 2destructive detecti on; numerical si m ulati on 近几十年来,拱板结构被广泛地应用在桥梁、大型建筑物顶棚及大坝等重要公共建筑物结构中,这些结构通常都集中在人口比较密集的城市里,故其出现损伤而造成的破坏力就很大,所以对拱板结构 进行损伤检测及其准确定位尤为重要,但目前国内外学者对拱板损伤检测的研究还很少. 通常来说,结构的损伤一定会引起结构某些物理特性的改变(如刚度、质量和阻尼),通过这些物
模态分析意义
模态分析意义模态分析是研究结构动力特性一种近代方法，是系统辨别方法在工程振动领域中的应用。模态是机械结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为模态分析。这个分析过程如果是由有限元计算的方法取得的，则称为计算模态分析；如果通过试验将采集的系统输入与输出信号经过参数识别获得模态参数，称为试验模态分析。通常，模态分析都是指试验模态分析。振动模态是弹性结构的固有的、整体的特性。如果通过模态分析方法搞清楚了结构物在某一易受影响的频率范围内各阶主要模态的特性，就可能预言结构在此频段内在外部或内部各种振源作用下实际振动响应。因此，模态分析是结构动态设计及设备的故障诊断的重要方法。机器、建筑物、航天航空飞行器、船舶、汽车等的实际振动千姿百态、瞬息变化。模态分析提供了研究各种实际结构振动的一条有效途径。首先，将结构物在静止状态下进行人为激振，通过测量激振力与胯动响应并进行双通道快速傅里叶变换（FFT）分析，得到任意两点之间的机械导纳函数（传递函数）。用模态分析理论通过对试验导纳函数的曲线拟合，识别出结构物的模态参数，从而建立起结构物的模态模型。根据模态叠加原理，在已知各种载荷时间历程的情况下，就可以预言结构物的实际振动的响应历程或响应谱。近十多年来，由于计算机技术、
FFT 分析仪、高速数据采集系统以及振动传感器、激励器等技术的发展，试验模态分析得到了很快的发展，受到了机械、电力、建筑、水利、航空、航天等许多产业部门的高度重视。已有多种档次、各种原理的模态分析硬件与软件问世。在各种各样的模态分析方法中，大致均可分为四个基本过程：（1）动态数据的采集及频响函数或脉冲响应函数分析1）激励方法。试验模态分析是人为地对结构物施加一定动态激励，采集各点的振动响应信号及激振力信号，根据力及响应信号，用各种参数识别方法获取模态参数。激励方法不同，相应识别方法也不同。目前主要由单输入单输出（SISO）、单输入多输出（SIMO）多输入多输出（MIMO）三种方法。以输入力的信号特征还可分为正弦慢扫描、正弦快扫描、稳态随机（包括白噪声、宽带噪声或伪随机）、瞬态激励（包括随机脉冲激励）等。2）数据采集。SISO 方法要求同时高速采集输入与输出两个点的信号，用不断移动激励点位置或响应点位置的办法取得振形数据。SIMO 及MIMO 的方法则要求大量通道数据的高速并行采集，因此要求大量的振动测量传感器或激振器，试验成本较高。3）时域或频域信号处理。例如谱分析、传递函数估计、脉冲响应测量以及滤波、相关分析等。（2）建立结构数学模型根据已知条件，建立一种描述结构状态及特性的模型，作为计算及识别参数依据。目前一般假定系统为线性的。由于采用的识别方法不同，也分为频域建模和时
模态参数识别方法的比较研究
模态参数识别方法的比较研究 发表时间：2017-09-07T14:07:39.937Z 来源：《防护工程》2017年第9期作者：安鹏强[导读] 本文将频域法、时域法和整体识别法识别模态参数的应用范围、存在的优缺点进行对比、分析和说明。 航天长征化学工程股份有限公司兰州分公司甘肃兰州 730050 摘要：本文将频域法、时域法和整体识别法识别模态参数的应用范围、存在的优缺点进行对比、分析和说明，对模态参数识别的研究方向具有指导意义。 关键词：模态参数识别；频域法；时域法；整体识别法 引言 多自由度线性振动系统的微分方程可以表达为[1]： [M]{x ?(t)}+[C]{x ?(t)}+[K]{x(t)}={f(t)} 通过将试验采集的系统输入与输出信号用于参数识别的方法中，进而对系统的模态质量、模态阻尼、模态刚度、模态固有频率及模态振型进行识别，这一过程称为结构的模态参数识别。本文将对模态参数识别的频域法、时域法及整体识别法三者的应用范围、存在的优缺点进行对比、分析和说明。 1频域法 模态参数识别的频域法是结合傅里叶变换理论[1]形成的，这种方法是从实测数据的频响函数曲线上对测试结构的模态参数进行估计。图解法[1]是最早的频域模态参数识别方法，随之，又陆续发展了导纳圆拟合法[2]、最小二乘迭代法[2]、有理式多项式法[2]等多种频域模态参数识别方法。 频域法的优点是直观、简便，噪声影响小，模态定阶问题易于解决。频域法识别模态参数的思路是首先借助实测频响函数曲线对模态参数进行粗略的估计，进而将初步观测的模态估计值作为一些频域识别法的最初输入值，通过反复的迭代获取最终的模态参数。频域识别方法对于实测频响函数的分布容易控制，其输人数据是主观人为的。频域中参数识别方法识别结果的精准度，取决于测试试验中获得的频响函数质量的好坏。判断实测频响函数的质量，就要看其曲线的光滑[2]和曲线的饱满程度[2]，曲线越光滑越饱满的实测频响函数，用其进行参数识别时，识别精度越高。 2时域法 模态参数识别的时域法的研究与应用比频域法晚，时域法可以克服频域法的一些缺陷。时域模态参数识别的技术优点在于无需获得激励力即可进行参数的识别[3-7]。对于一些大型的工程结构如大坝、桥梁等，获取激励荷载不太容易，但容易测得他们在风、地脉动等环境激励下的响应数据，把这些响应数据用于时域中一些参数识别的方法上，即可对测试结构的模态参数进行识别。 时域法的优点不仅在于其无需激励设备、减少测试费用而且可以避免由信号截断而造成对识别精度的影响，并且可实现对大型工程结构的在线参数识别，真实地反映结构的动力特性。但是由于响应信号中含有大量的噪声，这会使得所识别的模态中含有虚假模态。目前，对于如何剔除噪声模态、优化识别过程中的一些参数问题、以及怎样更稳定、可靠地进行模态定阶等成为时域法研究中的重要课题。目前常用的判定模态真假的方法是稳定图方法[8]，该方法的基本思想在于不同阶次的系统模型会对虚假模态的影响比较大，在稳定图中出现次数最多的模态可认为是系统的真实模态。 3整体识别法 结构模态参数识别的单输入单输出类型是针对单个响应点的数据进行相应的计算，从而得到该测点对应的模态频率、阻尼比和振型系数等动力参数，但是对于有多个测点的试验，若要用单输入单输出类型的识别方法对多自由度结构进行参数识别，则需要对各个测点单独计算来识别各个测点对应的模态参数，通过对各个测点分别计算处理，得到每一个测点数据所识别的模态参数，然后求取所有测点响应识别的算术平均值来作为整体结构最终的识别结果。理论上讲，用每个测点数据识别的结果应该是一样的，但实际测试实验中，因测试实验中测点布置位置的不同、测试中其他因素及识别方法上的不完善会使得各个测点的识别结果不同、识别精度不同及错误的识别结果等现象。因此，对于多测点的测试试验，用单输入单输出类型的识别方法进行参数识别不仅会因多次重复导致计算工作量复杂累赘而且识别结果的正确性及精度无法保证。 整体识别的方法避免了单输入单输出类型的一些不足之处。该方法通过将结构上的所有测点的实测数据同时进行识别计算，所识别得到的结果作为结构整体的模态参数，每阶模态的固有频率和阻尼比是唯一的，减小了随机误差，提高了识别进度，并且使得计算工作量大大减少。 4三种识别方法的比较分析 （1）频域内的模态参数识别方法方便、快捷，但在实际运用中人为的主观选择性对识别结果的影响较大； （2）基于环境激励的时域模态参数的识别方法具有测试试验的花费较少、测试相对安全，并且识别精度较高。因此，基于环境激励的时域模态参数的识别方法已成为科研工作者研究的热点问题。 （3）对于多测点的测试试验，用频域和时域的单输入单输出类型识别模态参数不仅会因多次重复导致计算工作量复杂累赘而且识别结果的正确性及精度无法保证。整体识别法将所有测点的数据同时进行处理计算，得到结构的整体识别结果。整体识别方法通过对所有测点数据同时进行识别计算，减小了随机误差，提高了识别进度，使得计算工作量大大减少。 （4）对比时域和频域识别方法对虚假模态的剔除，可以看出，频域中的剔除虚假模态主要依据模态频率在频幅曲线图上会出现峰值的原理，利用该峰值处的幅值角是否为0°或180°来剔除虚假模态；相对频域剔除虚假模态的方法来说，时域中的剔除虚假模态的方法有定量的精度判别指标。总体看来，时域识别方法无法判别是否已将系统的所有模态进行识别且对于阻尼比的确定还有待研究。参考文献 [1] 曹树谦，张德文，萧龙翔. 振动结构模态分析－理论、实验与应用[M]. 天津大学出版社，2001． [2] 王济，胡晓. Matlab在振动信号处理中的应用[M]. 水利水电出版社，2006.
(完整版)深度神经网络全面概述
深度神经网络全面概述从基本概念到实际模型和硬件基础 深度神经网络(DNN)所代表的人工智能技术被认为是这一次技术变革的基石(之一)。近日，由IEEE Fellow Joel Emer 领导的一个团队发布了一篇题为《深度神经网络的有效处理：教程和调研(Efficient Processing of Deep Neural Networks: A Tutorial and Survey)》的综述论文，从算法、模型、硬件和架构等多个角度对深度神经网络进行了较为全面的梳理和总结。鉴于该论文的篇幅较长，机器之心在此文中提炼了原论文的主干和部分重要内容。 目前，包括计算机视觉、语音识别和机器人在内的诸多人工智能应用已广泛使用了深度神经网络(deep neural networks，DNN)。DNN 在很多人工智能任务之中表现出了当前最佳的准确度，但同时也存在着计算复杂度高的问题。因此，那些能帮助DNN 高效处理并提升效率和吞吐量，同时又无损于表现准确度或不会增加硬件成本的技术是在人工智能系统之中广泛部署DNN 的关键。 论文地址：https://https://www.360docs.net/doc/c1369758.html,/pdf/1703.09039.pdf 本文旨在提供一个关于实现DNN 的有效处理(efficient processing)的目标的最新进展的全面性教程和调查。特别地，本文还给出了一个DNN 综述——讨论了支持DNN 的多种平台和架构，并强调了最新的有效处理的技术的关键趋势，这些技术或者只是通过改善硬件设计或者同时改善硬件设计和网络算法以降低DNN 计算成本。本文也会对帮助研究者和从业者快速上手DNN 设计的开发资源做一个总结，并凸显重要的基准指标和设计考量以评估数量快速增长的DNN 硬件设计，还包括学界和产业界共同推荐的算法联合设计。 读者将从本文中了解到以下概念：理解DNN 的关键设计考量;通过基准和对比指标评估不同的DNN 硬件实现;理解不同架构和平台之间的权衡;评估不同DNN 有效处理技术的设计有效性;理解最新的实现趋势和机遇。 一、导语 深度神经网络(DNN)目前是许多人工智能应用的基础[1]。由于DNN 在语音识别[2] 和图像识别[3] 上的突破性应用，使用DNN 的应用量有了爆炸性的增长。这些DNN 被部署到了从自动驾驶汽车[4]、癌症检测[5] 到复杂游戏[6] 等各种应用中。在这许多领域中，DNN 能够超越人类的准确率。而DNN 的出众表现源于它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。这与之前使用手动提取特征或专家设计规则的方法不同。 然而DNN 获得出众准确率的代价是高计算复杂性成本。虽然通用计算引擎(尤其是GPU)，已经成为许多DNN 处理的砥柱，但提供对DNN 计算更专门化的加速方法也越来越热门。本文的目标是提供对DNN、理解DNN 行为的各种工具、有效加速计算的各项技术的概述。 该论文的结构如下：
基于响应信号的结构模态参数提取方法
第36卷 第7期2008年 7月 华 中 科 技 大 学 学 报(自然科学版) J.Huazhong Univ.of Sci.&Tech.(Natural Science Edition )Vol.36No.7 J ul. 2008 收稿日期:2007209203. 作者简介:毛宽民(19642),男,副教授,E 2mail :kmmao4645@https://www.360docs.net/doc/c1369758.html,. 基金项目:国家重点基础研究发展计划资助项目(2005CB7244101);国家高技术研究发展计划资助项目 (2006AA04Z407). 基于响应信号的结构模态参数提取方法 毛宽民a ,b 李 斌a (华中科技大学a 机械科学与工程学院;b 数字制造与装备国家重点试验室,湖北武汉430074) 摘要:基于现有实验模态分析技术,提出了以一个响应信号作为参考信号,并且只利用响应信号提取结构模态参数的方法.以一个自由的钢梁为实验对象,通过与传统的用传递函数矩阵进行模态参数识别的实验模态分析法的识别结果比较,验证了所提出方法的有效性:固有频率识别精度和模态阻尼比的识别精度较高,误差分别不超过0.5%和18%;振型有一定的误差,但是总体趋势是一致的,能够反映结构的振动形态.该方法特别适合于用力锤或激振器无法激振的大型重型结构,如大型机床等设备,也适合于那些不宜用外力激振的设备,如高精密机床等. 关 键 词:模态识别;频率响应函数;振动;运行模态分析 中图分类号:T H113.1 文献标识码:A 文章编号:167124512(2008)0720077203 R esponse signals 2based structural modal parameter identif ication M ao Kuanmi n a ,b L i B i n a (a College of Mechanical Science and Engineering ;b The State Key Laboratory of Digital Manufacturing Equipment and Technology ,Huazhong University of Science and Technology ,Wuhan 430074,China ) Abstract :On t he basis of present research o n experimental modal analysis technology ,a new met hod is p ut forward ,which uses one response signal as a reference signal and only use response signals to identify st ruct ural modal parameters.This met hod is especially applicable for big and heavy st ruct ure which can not be excited by hammer or exciter ,like big machine tool equip ment ;and it is also right for t he equip ment s like high 2precision machine tool ,which can not be excited by external forces.This paper does experiment on a free steel beam and testify t he effectiveness of t his met hod by comparing it wit h t he t raditional experimental modal analysis met hod ,which uses a t ransform f unction mat rix to identify modal parameters.The frequency identification precision is very high ,t he error is less t han 0.5%;modal damping ratio n identification p recision is very high ,t he error is less t han 18%;t he model shape is generally t he same wit h a certain difference but is able to reflect t he vibration state.K ey w ords :modal identification ;frequency response f unctio n ;vibration ;operation modal analysis 结构的动态性能主要是由结构的模态参数决定的,结构模态参数提取方法,主要是实验模态分析技术,已经发展得相当丰富[1].这些技术的基本思路是通过实验,在知道结构的激励和响应的情况下,通过频率响应函数(频域法)[2]或脉冲响应函数(时域法)[3]提取结构的模态参数.利用结构的振动响应信号提取结构的模态参数,已经得到 了实验模态分析领域研究人员的普遍关注,提出了许多相应的方法,包括ODS (运行变形形状)和OMA (运行模态分析)[4～8].但这些新方法无一例 外的是在假设结构激励为稳态白噪声激励条件下.显然实际情况并非如此. 本文在现有实验模态分析技术的研究基础上,提出了以一个响应信号作为参考信号,并且只
深度神经网络及目标检测学习笔记
深度神经网络及目标检测学习笔记 ｈｔｔps://youtu.bｅ/MPU2ＨistivI 上面是一段实时目标识别的演示，计算机在视频流上标注出物体的类别,包括人、汽车、自行车、狗、背包、领带、椅子等。 今天的计算机视觉技术已经可以在图片、视频中识别出大量类别的物体，甚至可以初步理解图片或者视频中的内容，在这方面,人工智能已经达到了３岁儿童的智力水平。这是一个很了不起的成就,毕竟人工智能用了几十年的时间，就走完了人类几十万年的进化之路,并且还在加速发展。 道路总是曲折的，也是有迹可循的。在尝试了其它方法之后，计算机视觉在仿生学里找到了正确的道路(至少目前看是正确的)。通过研究人类的视觉原理,计算机利用深度神经网络(ＤｅeｐＮｅuｒal Nｅtwork，NＮ)实现了对图片的识别,包括文字识别、物体分类、图像理解等。在这个过程中,神经元和神经网络模型、大数据技术的发展，以及处理器(尤其是GPU）强大的算力，给人工智能技术的发展提供了很大的支持。 本文是一篇学习笔记,以深度优先的思路,记录了对深度学习(Deｅp Learning）的简单梳理,主要针对计算机视觉应用领域。 一、神经网络 １．1 神经元和神经网络 神经元是生物学概念,用数学描述就是:对多个输入进行加权求和,并经过激活函数进行非线性输出。 由多个神经元作为输入节点,则构成了简单的单层神经网络（感知器),可以进行线性分类。两层神经网络则可以完成复杂一些的工作,比如解决异或问题，而且具有非常好的非线性分类效果。而多层(两层以上)神经网络,就是所谓的深度神经网络。 神经网络的工作原理就是神经元的计算，一层一层的加权求和、激活，最终输出结果。深度神经网络中的参数太多（可达亿级），必须靠大量数据的训练来设置。训练的过程就好像是刚出生的婴儿，在父母一遍遍的重复中学习“这是苹
土木工程结构模态参数识别-理论,实现与应用
土木工程结构模态参数识别－理论、实现与应用 中文摘要 土木工程结构模态参数识别-理论、实现与应用的课题研究来源于国家自然科学基金项目（批准号：50378021）。 土木工程结构是国家基础设施的重要组成部分，直接影响人民的生活和安全。对土木工程结构进行全面的检测、评估和健康监测，就需要充分了解土木工程结构的动力特征参数。模态参数是决定结构动力特征的主要参数，其识别方法一般可分为传统的模态参数识别方法和环境激励下的模态参数识别方法。环境激励振动试验，具有无需贵重的激励设备，不打断结构的正常使用，方便省时等显著的优点，更加适合土木工程结构的实际使用。环境振动试验不同于传统的基于输入和输出的模态参数识别，仅测得了结构振动响应的输出数据，而真正的输入是没有测量的，是仅基于输出数据的模态参数识别。成为目前工程结构系统识别十分活跃的研究课题，也是一种挑战。 本文主要研究了环境激励情况下，土木工程结构的模态参数识别问题。对频域的峰值法和时域的随机子空间识别的理论算法、计算机实现和实际应用进行了深入的研究。完成的主要工作和结论如下： 1.系统地讨论了环境激励情况下模态参数识别频域方法，重点研究了峰值法和频域 分解法，对峰值法改进的途径进行了研究，建议采用平均正则化功率谱，并借助传递函数幅角辅助进行峰值选取，使峰值的选取更加客观准确。频域分解法本质上是基于奇异值分解的峰值法，可以比较客观的选择特征频率和识别相近的模态，识别精度高，是目前较先进的频域识别方法。 2.详细讨论了时域随机子空间识别基本理论和算法，包括协方差驱动随机子空间识 别和数据驱动随机子空间识别。提出了基于稳定图的平均正则化稳定图算法，辅助进行模态参数的自动识别，适应大型土木工程结构分组测试的特点。平均正则化稳定图将不同阶数模型计算的结果综合考虑，提高识别效率和识别精度。分析比较表明，协方差驱动和数据驱动随机子空间方法都可以有效识别结构的模态参数，数据驱动随机子空间方法理论上会比协方差驱动随机子空间方法识别结果更稳定、更精确，但计算时间相对要长些。通过算例详细比较分析了这两种随机子空间识别中不同的加权方法对识别结果的影响。 3.基于VC平台开发了土木工程结构模态分析软件MACES，用计算机实现了模态 参数识别的频域峰值法，包括不同加权方法的时域随机子空间识别算法，可以方便、快捷和高效地完成大型土木工程结构模态参数识别的全过程。主要功能包括
各种模态分析方法总结与比较
各种模态分析方法总结与比较 一、模态分析 模态分析是计算或试验分析固有频率、阻尼比和模态振型这些模态参数的过程。 模态分析的理论经典定义：将线性定常系统振动微分方程组中的物理坐标变换为模态坐标，使方程组解耦，成为一组以模态坐标及模态参数描述的独立方程，以便求出系统的模态参数。坐标变换的变换矩阵为模态矩阵，其每列为模态振型。 模态分析是研究结构动力特性一种近代方法，是系统辨别方法在工程振动领域中的应用。模态是机械结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为模态分析。这个分析过程如果是由有限元计算的方法取得的，则称为计算模记分析；如果通过试验将采集的系统输入与输出信号经过参数识别获得模态参数，称为试验模态分析。通常，模态分析都是指试验模态分析。振动模态是弹性结构的固有的、整体的特性。如果通过模态分析方法搞清楚了结构物在某一易受影响的频率围各阶主要模态的特性，就可能预言结构在此频段在外部或部各种振源作用下实际振动响应。因此，模态分析是结构动态设计及设备的故障诊断的重要方法。 模态分析最终目标是在识别出系统的模态参数，为结构系统的振动特性分析、振动故障诊断和预报以及结构动力特性的优化设计提供依据。 二、各模态分析方法的总结
（一）单自由度法 一般来说，一个系统的动态响应是它的若干阶模态振型的叠加。但是如果假定在给定的频带只有一个模态是重要的，那么该模态的参数可以单独确定。以这个假定为根据的模态参数识别方法叫做单自由度(SDOF)法n1。在给定的频带围，结构的动态特性的时域表达表示近似为： ()[]}{}{T R R t r Q e t h r ψψλ= 2-1 而频域表示则近似为： ()[]}}{ {()[]2ωλωψψωLR UR j Q j h r t r r r -+-= 2-2 单自由度系统是一种很快速的方法，几乎不需要什么计算时间和计算机存。 这种单自由度的假定只有当系统的各阶模态能够很好解耦时才是正确的。然而实际情况通常并不是这样的，所以就需要用包含若干模态的模型对测得的数据进行近似，同时识别这些参数的模态，就是所谓的多自由度(MDOF)法。 单自由度算法运算速度很快，几乎不需要什么计算和计算机存，因此在当前小型二通道或四通道傅立叶分析仪中，都把这种方法做成置选项。然而随着计算机的发展，存不断扩大，计算速度越来越快，在大多数实际应用中，单自由度方法已经让位给更加复杂的多自由度方法。 1、峰值检测 峰值检测是一种单自由度方法，它是频域中的模态模型为根据对系统极点进行局部估计(固有频率和阻尼)。峰值检测方法基于这样的事实：在固有频率附近，频响函数通过自己的极值，此时其实部为零(同相部分最
柔度差曲率,损伤识别
第26卷第2期 V ol.26 No.2 工 程 力 学 2009年 2 月 Feb. 2009 ENGINEERING MECHANICS 188 ——————————————— 收稿日期：2007-10-26；修改日期：2008-04-21 基金项目：国家自然科学基金项目(50678013)；中国博士后科学基金项目(20060390387) 作者简介：*李永梅(1971―)，女，河北邢台人，副教授，博士后，主要从事结构工程研究(E-mail: liym@https://www.360docs.net/doc/c1369758.html,)； 周锡元(1938―)，男，江苏无锡人，研究员，主要从事地震工程研究(E-mail: zhouxy@https://www.360docs.net/doc/c1369758.html,)； 高向宇(1959―)，男，北京人，教授，博士，主要从事结构工程减震研究(E-mail: gaoxy@https://www.360docs.net/doc/c1369758.html,) 文章编号：1000-4750(2009)02-0188-08 基于柔度差曲率矩阵的结构损伤识别方法 * 李永梅1,2，周锡元1,3，高向宇1 (1. 北京工业大学建筑工程学院，北京 100124；2. 北京工业大学城市与工程安全减灾省部共建教育部重点实验室，北京 100124； 3. 工程抗震与结构诊治北京市重点实验室，北京 100124) 摘 要：柔度是较频率和位移模态更敏感的结构损伤标示量。提出利用结构损伤前、后的柔度矩阵，先后对柔度矩阵差的列、行进行两次差分，求得柔度差曲率矩阵(δ Flexibility Curvature Matrix)，并以其对角元素作为检测结构损伤指标(δ FCMD)的新方法。该方法仅需低阶模态参数即可进行损伤检测，不论对简支梁、悬臂梁、固支梁，或多跨连续梁，单一位置损伤、支撑处损伤、轻微损伤，还是多种损伤共存，均具有损伤定位的能力、并能定性反映损伤程度。通过与已有的柔度差、柔度变化率、均匀荷载面曲率差等柔度指标的数值模拟分析研究，显示了该指标检测损伤的有效性和优越性。 关键词：结构；损伤识别；柔度；曲率；柔度差曲率矩阵 中图分类号：O327; TU311.3; TB123 文献标识码：A DETECTION INDICTOR OF STRUCTURAL NONDESTRUCTIVE DAMAGE BASED ON CURVATURE-FLEXIBILITY-DIFFERENCE MATRIX * LI Yong-mei 1,2 , ZHOU Xi-yuan 1,3 , GAO Xiang-yu 1 (1. College of Civil Engineering and Architecture, Beijing University of Technology, Beijing 100124, China; 2. Key Laboratory of Urban Security and Disaster Engineering of Ministry of Education of China, Beijing University of Technology, Beijing 100124, China; 3. Beijing Key Laboratory of Earthquake Engineering Structural Retrofit, Beijing 100124, China) Abstract: For structural damage, the flexibility is more sensitive than its frequency or mode. The curvature difference matrix in flexibility is presented as a new index of nondestructive damage detection, derived from the change in structural flexibilities calculated before damaging and after damaging by means of difference calculation twice, firstly to columns, and then to rows. Therefore a new indicator called δFlexibility Curvature Matrix Diagonal (δ FCMD) is constructed through principal diagonal elements based on the curvature difference matrix in flexibility. Numerical simulation examples indicate that the damage location and severity in structures, with single damage, multiple ones, lighter ones and ones at the supports, can be detected efficiently for cantilever beams, fixed supported beams, simply supported beams, continuous beams and so on by δFCMD through only a few of the lower order modes. Compared to the aforementioned flexibility indicators and δ FCMD, such as the change in flexibility, the rate in flexibility, the curvature change in uniform load surface (ULSC), the effectiveness and advantage of δ FCMD, etc are shown. Key words: structure; nondestructive damage detection; flexibility; curvature; δ flexibility curvature matrix 近年来，各类结构的无损探伤检测一直是土木工程研究的热门课题。由于结构的高阶模态往往难 以获得，这就使得基于刚度矩阵的方法难以应用于工程实践中。与之相反，由于柔度矩阵可以比较精
模态参数(频率、阻尼比、振型)作业指导书讲解
17.3 模态参数（频率、振型、阻尼比）作业指导书1 目的 测试桥梁的模态参数，了解桥梁的自振特性。 2 适用范围 适用于桥梁或结构构件的模态参数测试及分析。 3 试验准备 3.1 仪器、设备、材料 3.2 资料 ①、桥梁或结构构件拾振器测点布置图 ②、相关仪器、软件使用说明书 ③、原始记录表格（见附表1~2） ④、仪器、设备、材料清单表确认单（见附表3） 3.3 检查仪器、设备及软件是否正常运行（见附表4） 4 试验流程
4.1 测点布置： 试验前应对桥梁结构进行有限元分析，计算理论的振型图，根据振型图确定测点布置（测点布置的原则和数量要求见5.1）。由于试验用的拾振器可能有限，所以应在桥上选择合适的参考点（参考点的选择要求见5.2），分批搬动其他拾振器到所有测点。 4.2 拾振器安装： 拾振器安装前，应将测点位置清洁除尘。安装时，将拾振器通过橡皮泥牢固粘贴在测点位置，保证拾振器和构件能共同移动，同时传感器的主轴方向应与测点主振方向一致。 4.3 仪器连接： 仪器连接详见《DH5922N动态信号测试分析系统使用说明书》。 4.4 数据采集： 在数据采集之前，应对软件及拾振器各参数进行设置（参数设置要点见5.3）。仪器参数设置及采集软件的操作详见《DHDAS4.1.3基本分析软件说明书》。 为了消除随机因素影响，应对采集的长样本信号进行能量平均。对于悬索桥、斜拉桥等自振频率较低的桥型，为保证频率分辨率和提高信嘈比，采集时间不宜小于20分钟，一般采集时间取20~45分钟，对于小跨径桥梁，采集时间可酌情减小。 4.5 数据处理： 自振频率：可采用频谱分析法、波形分析法或模态分析法得到桥梁结构自振频率。 阻尼比：采用波形分析法、半功率带宽法或模态分析法得到。 振型参数：采用环境激振等方法进行模态参数识别。 数据后期处理及分析的软件操作详见《DHDAS4.1.3基本分析软件说明书》。 4.6模态参数的评定： 1结构的自振最低频率应大于有关标准限值，结构最大振幅应小于相应标准限值。