基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别.docx

基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别
标题：基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别
摘要：
随着建筑和桥梁结构的日益复杂化，对于结构健康监测和损伤识别的需求也越来越迫切。本文提出了一种基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别方法。通过光纤布拉格光栅振动传感器实时采集工字钢梁的振动信号，以判断结构是否发生了损伤。同时，利用极限学习机对振动信号进行训练和预测，来实现对工字钢梁损伤的智能识别。实验结果表明，该方法能够有效地识别工字钢梁的损伤，并具有高准确度和鲁棒性。
关键词：光纤布拉格光栅振动传感器，极限学习机，损伤识别，工字钢梁
引言：
工字钢梁作为建筑和桥梁结构中常见的构件之一，承受着重要的结构支撑和荷载传递任务。然而，长期受到外部环境和荷载的影响，工字钢梁可能会出现各种形式的损伤，如材料劣化、裂纹、锈蚀等。这些潜在的损伤不仅会影响结构的安全性和稳定性，还会降低结构的使用寿命。因此，对工字钢梁的损伤进行及时、准确的识别具有重要意义。
光纤布拉格光栅传感器是一种高精度、高灵敏度的光纤传感器，广泛应用于结构健康监测领域。其原理是通过光纤中的布拉格光栅，将外界环境的物理参数变化转化为光波的反射光谱变化。基于这种原理，光纤布拉格光栅振动传感器能够实时、准确地监测工字钢梁的振动情况。
极限学习机（ELM）是一种高效且具有强大泛化能力的人工神经网络算法。其主要思想是通过随机生成的隐藏层权重和偏置，将输入数据进行非线性变换，从而实现对输出数据的预测和分类。与传统的神经网络算法相比，ELM具有训练速度快、参数设置简单等优势。
方法：
本文采用以下步骤进行工字钢梁损伤识别：
1.安装光纤布拉格光栅振动传感器：将光纤布拉格光栅振动传感器固定在工字钢梁上，以实时采集工字钢梁的振动信号。
2.数据采集和预处理：使用光纤布拉格光栅振动传感器采集工字钢梁在正常和损伤状态下的振动数据。对采集到的原始数据进行滤波、去噪和归一化等预处理操作。
3.极限学习机训练：将预处理后的振动数据作为输入，通过极限学习机进行训练。在训练过程中，随机生成隐藏层的权重和偏置，并利用激励函数对输入数据进行非线性变换。
4.损伤识别：将训练完成的极限学习机模型应用于新的振动数据，通过对输出数据的分析和判断，实现对工字钢梁的损伤识别。
实验与结果：
本文选取了具有不同程度损伤的工字钢梁样本进行实验验证。实验使用了10Hz的采样频率，并利用光纤布拉格光栅振动传感器采集了样本在正常和损伤状态下的振动信号。对数据进行预处理后，分别将70%的数据用于训练，30%的数据用于测试。
实验结果表明，基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别方法具有较高的准确度和鲁棒性。对于不同程度的损伤样本，该方法能够实现有效的损伤识别，并且具备较低的误判率。
结论：
本文提出了一种基于光纤布拉格光栅振动传感器和极限学习机的工字钢梁损伤识别方法。实验结果表明，该方法能够有效地识别工字钢梁的损伤，并具有高准确度和鲁棒性。该方法在结构健康监测和损伤识别方面具有广阔的应用前景，可以为建筑和桥梁结构的安全运行提供有力支持。
参考文献：
[1]KageyamaK,KawadaH,TakeuchiY,etal.DevelopmentofFiberBraggGratingAccelerationSensorforTrafficMonitoring[C]//StructuralHealthMonitoring2011:Condition-BasedMaintenanceandIntelligentStructures.InternationalSocietyforOpticsandPhotonics,2011,7983:798344.
[2]HuangGB,ZhuQY,SiewCK.Extremelearningmachine:theoryandapplications[J].Neurocomputing,2006,70(1-3):489-501.
[3]ZhangD,LuanTH.Structuraldamageassessmentusingtimeseriesvibrationdataandonlinesequentialextremelearningmachine[J].JournalofSoundandVibration,2015,343:129-143.