《机械结构健康监测关键技术》由会员分享，可在线阅读，更多相关《机械结构健康监测关键技术（9页珍藏版）》请在金锄头文库上搜索。
1、 专业资料分享 机械结构健康监测关键技术摘要：随着经济的发展和科技的进步，对一些重要机械结构的健康状况进行监测、提前预警，以减少灾害的损失越来越成为人们关注的问题。如何本文简单介绍了机械结构健康监测的一些基本概念及其系统的组成，并对机械结构健康监测的关键技术展开综述，特别对智能信息处理技术在结构健康监测与损伤诊断领域取得的研究成果进行了归纳总结。关键词：机械结构健康监测；数据采集与传输；损伤识别；信息处理1 机械结构健康监测概述结构健康监控技术采用智能材料结构的新概念，利用集成在结构中的先进传感/驱动元件，在线实时地获取与结构健康状况相关的信息，（如应力、应变、温度、振动模态、波传播特性等），
2、结合先进的信号信息处理方法和材料结构力学建模方法，提取结构损伤特征参数，识别结构的状态（包括损伤），并对结构的不安全因素，在其早期就加以控制以消除安全隐患或控制安全隐患的进一步发展，从而实现结构健康自诊断、自修复，保证结构的安全和降低维修费用。一个结构健康监控系统应包含2种功能：一是对结构状态的监测功能；二是对结构状态的自适应控制功能。对仅有监测功能而没有主动控制功能的系统一般称为结构健康监测(Structural Health Monitor-ing,简称SHM)系统。SHM指利用现场的无损传感技术，通过包括结构响应在内的结构系统特性分析，达到检测结构损伤或退化的目的。健康监测的过程包括:通
3、过一系列传感器得到系统定时取样的动力响应测量值，从这些测量值中抽取对损伤敏感的特征因子，并对这些特征因子进行统计分析，从而获得结构当前的健康状况。对于长期的健康监测，系统得到的是关于结构在其运行环境中老化和退化所导致的完成预期功能变化的适时信息。结构的健康监测技术是要发展一种最小人工干预的结构健康的在线实时连续监测、检查与损伤探测的自动化系统，能够通过局域网络或远程中心自动地报告结构状态。它与传统的无损检测技术(Nondestructive Evaluation，简称NDE)不同,通常NDE技术运用直接测量确定结构的物理状态，无需历史记录数据，诊断结果很大程度取决于测量设备的分辨率和精度。而S
4、HM技术是根据结构在同一位置上不同时间的测量结果的变化来识别结构的状态，因此历史数据至关重要。识别的精度强烈依赖于传感器和解释算法。可以说，健康监测有可能将目前广泛采用的离线、静态、被动的损伤检测，转变为在线、动态、实时的监测与控制，这将导致工程结构安全监控、减灾防灾领域的一场革命。显然结构健康监测技术是一个跨学科的综合性技术，它包括工程结构、动力学、信号处理、传感技术、通讯技术、材料学、模式识别等多方面的知识。工程应用健康监测系统监测结构性能，检测结构损伤，评价和诊断结构健康状况并做出相应的维护决策，是一种可靠、有效、经济的监测方法，结构的安全性和功能性将大大提高。2 机械结构健康监测系统的
5、组成结构健康监测系统一般由数据采集与传输、信号处理、系统识别、状态评估、预测及接口等8个子系统组成：1）数据采集与传输子系统：利用各种无源和智能传感器采集结构的相关参数信息，作为SHM系统的数据基础。该部分主要包括各类数据的采集、存储和传送的硬件系统。数据采集与处理及传输子系统包括硬件和软件两部分，硬件系统包括数据传输电缆/光缆、数模转换（A/D）卡等；软件系统将数字信号存储在计算机中。采集的数据经预处理后存储在数据管理子系统中。2）数据信号处理子系统：接收来自传感器的信号和数据，并将数据处理成后继工作所需的格式，输出为经过过滤和压缩简化后的传感器数据、频谱数据以及其他特征数据。该部分主要包括
6、各类数字信号的处理，如A/D转换及数字滤波去噪等，以便为系统识别和损伤识别准备充分的数字信息。3）系统识别子系统：通过计算机模拟仿真计算，结合有限元模态分析，识别出结构系统的静动力特性参数，即系统特征识别。4）损伤识别子系统：即通过一定的分析技术，对已获得的数据进行处理，与结构系统特征联合，应用各种有效的手段识别结构损伤，完成损伤预警、损伤定位和损伤定量分析。5）结构健康状态评估子系统：接受来自前面模块的数据，把损伤结果与专家经验相结合，进行评估被监测系统（也可以是分系统、部件等）的健康状态（如是否有退化现象等），分析结构的强度储备，评估结构的可靠度。6）预测子系统：综合利用前面各部分的数据信
7、息，对被监测系统进行状态评估和预测未来的健康状态，包括剩余寿命预测等。7）决策推理子系统：决策推理子系统接受来自状态评估和预测子系统的数据，主要作用是给出所建议的活动和可选方案。8）接口：主要包括人-机接口和机-机接口。人-机接口包括状态监测模块的警告信息显示以及健康评估、预测等模块的数据信息的表示等；机-机接口使得上述各模块之间以及SHM系统同其他系统之间的数据信息可以进行传递。3 机械结构健康监测的关键技术当机械结构发生损伤时，结构性能将发生改变，如材料形状的变化、几何属性的变化、内部结构体系的变化等。结构健康监测系统就是要利用测试仪器瞬时地获得能表征这些改变的结构实时测试数据，来确定结构
8、的损伤时刻和损伤位置，分析损伤程度，从而正确评价结构的健康状态。因此一个健康监测系统的优劣主要由以下3个因素决定：1）传感器的灵敏性和精度，以及数据传输和采集设备的性能。高质量的仪器设备能减少测量误差，提高监测效率；2）测点的空间分布，即传感器的最优布置问题。测点布置应使获得的测试数据尽量包含更多的结构整体和局部的信息，且这些测点信息对于损伤应是足够敏感的，即具有较小的信息墒。实际工程中，传感器数量受经济性限制不可能太多，因此优化测点布置具有重要意义；3）测试数据的分析处理，现场采集的数据不仅包含着大量的结构信息，还有很多测量噪声。而尽量克服噪声的干扰，从测试数据中准确地捕捉出能反应结构损伤的
9、特征信息是关键的一步。其中第1点为硬件条件，第2、第3点为软件条件。从目前的发展来看，用于结构健康监测的硬件设施越来越先进，高性能的智能传感元件和信号采集装备越来越多地在工程中得到应用。最近发展起来的智能感知材料与传感元件如光导纤维、电阻应变计、疲劳寿命计、压电材料、碳纤维、半导体材料和形状记忆合金等被应用到结构健康监测中。这些感知材料和传感元件使结构具有感知特性，能更好地实现结构的实时监测与安全预警的功能。同时，无线传感器网络与互联网先进通讯技术的发展为结构健康监测信号的传输提供了有效手段，结合高性能的计算机工作站，对现成采集的实时数据进行储存、调用、在线分析成为可能。从多次国际健康监测和损
10、伤识别会议的成果来看，当前的传感器技术已经达到较高的水平，在结构健康监测系统中传感器信息的获取已经不是一个至关重要问题。传感器的优化布置决定了能否获得大型结构的整体信息和局部信息，也决定了测试数据对结构损伤变化的敏感性。如何安排有限数量的传感器实现对结构状态改变信息的最优采集，是大型结构健康监测的关键技术之一。较早研究传感器的最优布置问题是在航天领域和大型机械结构的动态控制和系统识别中。最为人熟知的方法是Kammar提出的有效独立法，即EI法，它是基于每个传感器布点对所监测模态的线性无关的贡献，通过迭代使得初始测点迅速减少到可行的数目。Guyan模型缩减法也是一种常用的测点选择方法，通过刚度或
11、质量子矩阵构成的转换矩阵，可以把那些对模态反应起主要作用的自由度保留下来作为测点的位置。Udwadia基于Fisher信息阵提出了一种适合线性和非线性系统的传感器最优布置的快速算法。还有一些基于遗传算法和退火算法的优化测点方法等。测试数据的分析处理首先要完成的就是结构损伤识别，然后再结合专家系统对结构的整体健康状况作出评估，根据当前的健康状态给出系统的可靠性预测。因此可以看出，在结构健康监测中最关键的就是测试数据的分析处理，一旦健康监测系统投入运营，主要的工作就是如何从测试信号中提取出有关结构损伤的状态信息。从目前的发展与研究成果来看，高性能的智能传感器元件和信息采集装备越来越多地在工程中得到
12、应用；传感器的优化布置难题逐渐被一些大型复杂结构健康监测系统的开发所攻克和解决。目前的技术难题是如何对来自健康监测系统的海量测试数据进行分析、处理，进而对结构的健康状况进行监测、日常管理以便在结构发生事故之前提前预警，以减少灾害的损失。然而，大型结构具有较多的结构冗余度和环境荷载的不确定性；此外，来自监测系统的海量数据也包含大量的噪声和不确定性。因此，如何合理有效地处理来自健康监测系统海量不确定测量数据与信息，进而对结构的健康状况进行评价成为国内外同行关注的热点和难点。4 智能信息处理及其在机械结构健康监测中的应用机械结构健康监测是采用现场的无损传感技术和结构特性分析手段来探测和揭示结构状态退
13、化或损伤发生的过程。结构损伤检测的核心是模式识别(模式分类)，它是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。典型的模式识别包括数据获取、预处理、特征选择和提取、分类决策及分类器设计五部分组成。其核心和关键是选择有效的特征参数和模式识别方法，它们强烈地影响着模式分类的设计及其性能，也是结构健康监测与诊断的核心和关键。智能信息处理是近几年发展起来的新型信息处理技术，它是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变为完全、可靠、精确、一致和确定的知识和信息的过程和方法。它的出现和发展为以上难题
14、提供了一条途径和技术保障。智能信息处理涉及到信息科学的多个领域，包括现代信号处理、神经网络、模糊理论、进化计算、数据融合(信息融合)、分形理论、粗糙集等，下面对智能信息技术在结构健康监测中的应用进展进行介绍。4.1 现代信号处理结构健康监测与诊断的核心问题之一是寻找对损伤状态敏感的特征参数或者损伤指标，而这些损伤指标，如基于频率、振型、曲率、模态柔度、应变能等，都需要结构的模态特征参数如频率、振型与阻尼等，它们是运用信号处理技术对结构的响应进行系统识别而得到的。噪声的分离和信号分析是特征选择和提取的前期工作，也是结构健康监测十分重要而又困难的首要工作。可以从硬件和软件2个方面进行研究：前者从传
15、感器方面开发更高精度与可靠性、抗噪或干扰的新型传感器如光纤传感器、压电陶瓷传感器等；后者研发相应的信号分析和噪声剔除技术，如傅里叶变换、短时傅里叶变换、Wigner-Ville分布、小波/包分析、希-黄变换(HHT)、盲源分离等，后三者是近一二十年发展起来的信号处理工具。4.2 神经网络 神经网络是由许多神经元按照不同的连接方式构成的巨型复杂网络。它以分布式方式存储信息，因此具有并行计算、联想记忆、自适应和高度非线性动力学特征，能处理模糊性、随机性、噪声或不相容的信息。神经网络之所以用于结构健康监测/损伤检测，因为它能够通过学习或训练，具有自联想、记忆及模式匹配的能力；它具有滤出噪声及在有噪声
16、情况下得出正确结论的能力，使其能在噪声环境中有效地工作；它具有分辨原因及损伤类型的能力。结构损伤检测的核心技术是模式识别，而模式识别就是将理论分析得到的损伤模式特征库与实测的模式进行匹配。一般先通过分析各种不同的损伤序列或破坏模态来建立模式库，然后观察实测振动信号的变化，并将它与可能发生损伤的模式数据库进行比较，选择最相似的模式。对于多种损伤组合爆炸和由于噪声引起的模式失真等问题，传统的模式识别技术难以解决。神经网络本身具有模式匹配与记忆的能力，而且对于具有一定噪声的模式识别效果更好。运用模式识别进行损伤检测与用神经网络进行损伤检测是两种不同的诊断方法，但二者有着密切相关的联系，可以用神经网络来实现模式识别的损伤检测。4.3 模糊理论模糊理论是处理不精确、不确定、模糊信息的数学工具，它已经被广泛地应用于模式识别、优化、数学规划、控制与决策等
