《结构健康监测中的几个基本问题及其进展》由会员分享，可在线阅读，更多相关《结构健康监测中的几个基本问题及其进展（156页珍藏版）》请在金锄头文库上搜索。
1、结构健康监测中的几个基本 问题及其进展 中南大学土木建筑学院“奖励计划”特聘教授 桥梁与隧道工程博士生导师任 伟 新 博士http:/结构健康监测基本概念结构健康监测基本概念http:/ 随着结构分析理论、施工技术、材料性能的迅 速发展，结构跨度越来越大，结构越来越柔， 不仅要求精确严密的计算与施工技术，而且对 结构建成后的安全运营提出了更高的要求； 自90年代开始，提出了旨在保证结构安全、耐 久的“结构健康监测”的概念，并在一些建成和 在建的跨江、跨海大型桥梁和大型结构上，安 装了和待安装结构长期健康状态监测系统，投 资动辄在千万元以上。结构健康监测的一般过程结构健康监测的一般过程http:
2、/ 在一个较长时间段内通过一些传感器对系统 的响应进行采集； 从这些响应信号中提取出对结构损伤比较敏 感的特征； 对这些特征进行（统计）分析，确定结构目 前的健康状况； 剩余寿命分析。结构健康监测系统的组成结构健康监测系统的组成http:/ 高性能智能传感元件、无线传感网络与信号 采集系统，数据挖掘，多参量、多传感元件 监测数据智能处理与数据动态管理方法，结 构实时损伤识别、定位与模型修正，结构实 时健康诊断、安全预警与可靠性预测。 一个长期监测的结构相当于长期试验的结构 ，而且是足尺的、现场长期试验的结构，其 监测结果对于研究和把握结构损伤演化规律 、灾变行为和安全状态具有重要的科学与现 实
3、意义。结构健康监测的学术特点结构健康监测的学术特点http:/ 涉及材料科学、仪器仪表与测试技术、信号 处理、计算机科学与技术、通讯技术、大型 结构分析、结构动力学、结构可靠度等多门 学科领域，具有明显的学科交叉和融合特征 。 健康监测系统集智能传感元件、数据无线采 集和实时处理、结构损伤识别、健康诊断与 可靠性预测以及远程通讯与数据管理等硬软 件系统于一体，是工程理论发展与综合的象 征、高新技术开发与集成的标志，同时也是 现代结构实验技术的集中体现。结构健康监测中的几个基本问题结构健康监测中的几个基本问题http:/ 环境振动（工作）模态参数识别 ； 结构损伤识别； 有限元模型修正； 传感器
4、。1、环境振动（工作）模态参数识别http:/ 在研究重大结构灾变行为和健康监测时， 首先遇到的关健问题之一就是正确地识别 或监测结构工作时的特性。 模态参数（频率、振型和阻尼比）是结构 固有的动力学特性。 基于结构动力的结构健康监测就是监测结 构动力特性的变化。系统识别 系统识别的含义：系统识别的含义：工程结构系统M，C，K输入输出激励响应传统系统识别的不足：传统系统识别的不足： 需要专用的系统激励设备；需要专用的系统激励设备； 必须封闭线路，无法实现实时的安全监测；必须封闭线路，无法实现实时的安全监测；1、工作模态参数识别http:/土木工程结构动力试验方法qq 强迫振动试验法强迫振动试验
5、法; ;qq 自由振动试验法自由振动试验法; ; qq 环境振动试验法。环境振动试验法。http:/1、工作模态参数识别力锤激励Hammerhttp:/1、工作模态参数识别Hammer excitation is ready to go http:/1、工作模态参数识别竖向激振器-ShakersVertical, 5kN , 2.3f100Hz Power generatorhttp:/1、工作模态参数识别横向激振器-Shakers Horizontal, 32kN, 1.5f100Hz http:/1、工作模态参数识别Free Vibration ExcitationsBump and Br
6、akehttp:/1、工作模态参数识别Free Vibration Excitation-Weight Releasedhttp:/1、工作模态参数识别Problems with Civil Engineering Structures It is extremely difficult to realize the excitation on a large-scale structure. Some heavy forced excitations become very expensive. Traffic has to be shut down for a rather long ti
7、me. This could be a serious problem for intensively used bridges. The need to identify modal models under operational conditions often arises for the on- line monitoring.http:/1、工作模态参数识别环境（自然）激励的优点qq 天然、方便和便宜和的激励方式天然、方便和便宜和的激励方式；qq 更符合实际情况和边界条件；更符合实际情况和边界条件；qq 可以实现对结构的实时安全监测可以实现对结构的实时安全监测。http:/1、工作
8、模态参数识别环境激励的缺点q结构动力响应测试数据，具有幅值小、随机性强的 特点；q 记录时间长，数据量巨大；q 系统识别是仅由输出数据的系统识别方法 (Output-only System Identification) ；q 给结构系统的识别带来很大的难度。 http:/1、工作模态参数识别Output-Only SI Methods Peak-picking from power spectral densities (PSDs); Auto Regressive-Moving Average (ARMA) model based on discrete-time data; Natura
9、l excitation technique (NExT); Stochastic subspace methods et al.There have been several ambient vibration SI techniques available that were developed by different investigators or for different uses such as:http:/1、工作模态参数识别Frequency-Domain SI Techniques Based on the fact that FRFs goes through an e
10、xtreme around the natural frequencies. The reference signal is used as an “input“ and FRFs and coherence functions are computed for each measurement point with respect to reference point. The most popular, mainly due to their simplicity and processing speed, and also for historical reasons. Involve
11、averaging temporal information, thus discarding most of their details; Always a real modal analysis. http:/1、工作模态参数识别Time-Domain SI Techniques Directly work with time data, without the need to convert them to correlations or spectra; Based on a discrete-time state space model of a dynamic system; Id
12、entify the state space matrices based on the measurements and then determine modal parameters; Need robust numerical techniques such as QR- factorization or least squares; It is always complex modes.http:/1、工作模态参数识别Peak-Picking in Frequency-Domain The simplest approach to estimate the modal paramete
13、rs of a structure subjected to ambient loading. The FRFs are simply replaced by the auto spectra of the ambient outputs without the real FRFs computed. the natural frequencies are simply determined from the observation of the peaks of the average normalized power spectral densities (ANPSDs) obtained
14、 by a discrete Fourier transform (DFT). Mode shapes are simply replaced by operational deflection shapes.http:/1、工作模态参数识别Stochastic Subspace Identification in Time-Domain Input is replaced by process noise wk and measurement noise vk in discrete-time state space model of a dynamic system; These noises are assumed to be the white noise; The QR factorization results in significant data reduction; The singular value decomposition (SVD) is used to reject the noise (represented by the smaller singular values); Once mathematical state space model is identified, it is straightf
