机器学习视角的结构健康监测PDF|Epub|txt|kindle电子书版本网盘下载

机器学习视角的结构健康监测PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 工程师与科学家如何研究损伤2

1.2 发展SHM技术的原因3

1.3 损伤定义4

1.4 SHM统计模式识别范例6

1.4.1 运营评估9

1.4.2 数据采集9

1.4.3 数据归一化9

1.4.4 数据净化10

1.4.5 数据压缩10

1.4.6 数据融合10

1.4.7 特征提取10

1.4.8 特征判别的统计建模11

1.5 局部与整体损伤诊断11

1.6 结构健康监测的基本公理12

1.7 本书采用的方法13

参考文献13

第2章 研究历史回顾15

2.1 旋转机械应用15

2.1.1 旋转机械的运营评估16

2.1.2 旋转机械的数据采集16

2.1.3 旋转机械特征值的提取17

2.1.4 旋转机械损伤诊断的统计建模18

2.1.5 旋转机械状态监测的结论意见18

2.2 海洋石油平台19

2.2.1 海洋平台运营评估20

2.2.2 海洋平台数据采集21

2.2.3 海洋平台特征值提取21

2.2.4 海洋平台统计学建模22

2.2.5 海洋石油平台结构健康监测研究的经验教训22

2.3 航空航天结构22

2.3.1 航空航天结构的运营评估25

2.3.2 航空航天结构的数据采集26

2.3.3 航空航天结构的特征提取和统计建模27

2.3.4 用于航空航天SHM应用的统计模型28

2.3.5 关于航空航天SHM应用的结论性意见28

2.4 土木工程基础设施29

2.4.1 桥梁结构的运营评价30

2.4.2 桥梁结构的数据采集31

2.4.3 以模态属性为基础的特征32

2.4.4 土木工程基础设施的特征统计分类32

2.4.5 桥梁结构应用33

2.5 小结33

参考文献34

第3章 运营评估42

3.1 结构健康监测的经济和寿命安全理由42

3.2 定义待检测的损伤43

3.3 运营和环境条件44

3.4 数据采集限制44

3.5 运营评估实例：桥梁监测45

3.6 运营评估实例：风力发电机47

3.7 运营评估总结48

参考文献48

第4章 传感与数据采集49

4.1 简介49

4.2 SHM的传感与数据采集系统策略49

4.2.1 策略Ⅰ50

4.2.2 策略Ⅱ50

4.3 传感和数据采集的概念挑战51

4.4 应采集什么类型的数据？52

4.4.1 动态输入和响应量52

4.4.2 其他损伤敏感物理量54

4.4.3 环境量54

4.4.4 运营量55

4.5 目前的SHM传感系统55

4.5.1 有线系统55

4.5.2 无线系统56

4.6 传感器网络范例58

4.6.1 直接连接到中央处理设备的传感器阵列59

4.6.2 跳频连接的分布式处理59

4.6.3 混合连接的分布式处理60

4.7 未来的传感网络范例61

4.8 定义传感器系统特性63

4.8.1 所需灵敏度及量程64

4.8.2 所需带宽及频率分辨率64

4.8.3 传感器数量和位置64

4.8.4 传感器标定、稳定性和可靠性65

4.9 定义数据采样参数67

4.10 定义数据采集系统67

4.11 主动与被动传感68

4.12 多尺度传感69

4.13 传感器系统的供电69

4.14 信号调理70

4.15 传感器和作动器优化70

4.16 传感器融合71

4.17 结构健康监测传感和数据采集问题的总结74

参考文献75

第5章 案例研究79

5.1 I-40桥79

5.1.1 初步测试和数据采集81

5.1.2 完好状态环境振动测试81

5.1.3 强迫振动测试83

5.2 混凝土柱84

5.2.1 拟静力加载85

5.2.2 动态激励86

5.2.3 数据采集87

5.3 自由度系统88

5.3.1 物理参数90

5.3.2 数据采集90

5.4 模拟房屋结构90

5.4.1 试验过程与数据采集91

5.4.2 测试数据91

5.5 Alamosa峡谷大桥93

5.5.1 试验过程和数据采集95

5.5.2 环境测量96

5.5.3 研究模态特性变异所进行的振动试验96

5.6 Gnat飞机97

5.6.1 用改造的检查面板模拟损伤97

5.6.2 用拆除检测板模拟损伤101

参考文献104

第6章 概率统计导论105

6.1 简介105

6.2 概率：基本定义106

6.3 随机变量及其分布107

6.4 期望值110

6.5 高斯分布（及其他分布）114

6.6 多元统计115

6.7 多元高斯分布116

6.8 条件概率和贝叶斯定理117

6.9 置信限与累积分布函数119

6.10 孤立点分析122

6.10.1 单变量数据中的异常值122

6.10.2 多元数据中的异常值123

6.10.3 不一致性临界值或阈值计算123

6.11 密度估计123

6.12 极值统计128

6.12.1 极值统计简介128

6.12.2 基本理论128

6.12.3 极限分布的确定131

6.13 降维——主成分分析134

6.13.1 简单投影135

6.13.2 主成分分析136

6.14 结论138

参考文献138

第7章 损伤敏感特征140

7.1 特征提取过程中常用的波形和谱函数142

7.1.1 波形比较143

7.1.2 自相关和互相关函数143

7.1.3 功率谱和互功率谱密度函数145

7.1.4 脉冲响应函数和频率响应函数147

7.1.5 相干函数148

7.1.6 关于波形和频谱的一些评论149

7.2 基本信号统计量149

7.3 瞬态信号：时间矩155

7.4 瞬态信号：衰减度量157

7.5 发射特征159

7.6 SHM导波方法所用特征160

7.6.1 预处理161

7.6.2 基准比较161

7.6.3 损伤定位162

7.7 用于阻抗测试的特征163

7.8 基本模态属性165

7.8.1 共振频率简介166

7.8.2 特征提取的正反建模方法168

7.8.3 共振频率：正方法168

7.8.4 共振频率：敏感性问题168

7.8.5 振型170

7.8.6 荷载相关Ritz向量176

7.9 基本模态属性的衍生特征178

7.9.1 模态曲率178

7.9.2 模态应变能180

7.9.3 模态柔度184

7.10 模型修正方法187

7.10.1 目标函数和约束188

7.10.2 模态力误差的直接解189

7.10.3 最优矩阵修正方法191

7.10.4 基于敏感性的修正方法193

7.10.5 特征结构配置法196

7.10.6 混合矩阵修正法197

7.10.7 模型修正法的结论性意见197

7.11 时间序列模型198

7.12 特征选择199

7.12.1 敏感性分析200

7.12.2 信息量202

7.12.3 鲁棒性评估204

7.12.4 优化过程204

7.13 度量204

7.14 结论性意见204

参考文献205

第8章 基于线性响应偏差的特征210

8.1 可产生非线性系统响应的损伤类型210

8.2 探索SHM非线性系统识别方法的动机212

8.2.1 相干函数214

8.2.2 线性和互反性检验216

8.2.3 谐波畸变221

8.2.4 频率响应函数失真223

8.2.5 概率密度函数226

8.2.6 相关性检验227

8.2.7 Holder指数228

8.2.8 线性时间序列预测误差232

8.2.9 非线性时间序列模型233

8.2.10 Hilbert变换236

8.2.11 非线性声学方法237

8.3 非线性动力系统理论的应用238

8.3.1 裂缝梁模拟为双线性系统240

8.3.2 损伤梁的混沌讯问242

8.3.3 局部吸引子方差242

8.3.4 用局部吸引子方差诊断损伤244

8.4 非线性系统识别方法245

8.5 非线性系统响应特征提取的结论性意见248

参考文献249

第9章 机器学习与统计模式识别253

9.1 简介253

9.2 智能损伤诊断253

9.3 损伤识别的数据处理和融合255

9.4 统计模式识别：假设检验257

9.5 统计模式识别：一般框架260

9.6 判别函数和决策边界262

9.7 决策树263

9.8 训练-极大似然264

9.9 最近邻分类267

9.10 案例分析：声发射试验267

9.10.1 主成分分析269

9.10.2 训练和验证数据270

9.10.3 判别分析和决策边界271

9.10.4 核判别分析273

9.11 总结274

参考文献274

第10章 无监督学习——异常诊断276

10.1 简介276

10.2 高斯分布的正常状态——孤立点分析277

10.3 非高斯正常状态——神经网络方法279

10.4 非参数密度估计——案例研究283

10.4.1 试验结构和数据采集284

10.4.2 数据与特征预处理286

10.4.3 异常诊断287

10.5 统计过程控制289

10.5.1 基于自回归模型的特征提取290

10.5.2 X-bar控制图：试验案例研究291

10.6 其他控制图和多元统计过程控制295

10.6.1 S控制图295

10.6.2 累积和图概述295

10.6.3 EWMA图概述296

10.6.4 Hotelling或Shewhart T2图296

10.6.5 多元累积和图297

10.6.6 多元EWMA图297

10.7 异常诊断阈值298

10.7.1 极值统计298

10.7.2 Ⅰ型和Ⅱ型错误：ROC曲线302

10.8 小结307

参考文献307

第11章 监督学习——分类与回归309

11.1 简介309

11.2 人工神经网络309

11.2.1 生物性动机309

11.2.2 并行处理范式312

11.2.3 人工神经元313

11.2.4 感知器简介313

11.2.5 多层感知器315

11.3 神经网络案例研究：分类问题318

11.4 其他神经网络结构321

11.4.1 前馈网络321

11.4.2 递归网络321

11.4.3 细胞网络321

11.5 统计学习理论和核方法322

11.5.1 结构风险最小化322

11.5.2 支持向量机323

11.5.3 核函数326

11.6 案例研究Ⅱ：支持向量分类328

11.7 支持向量回归329

11.8 案例研究Ⅲ：支持向量回归331

11.9 用遗传算法进行分类特征选择334

11.9.1 用工程判断进行特征选取334

11.9.2 遗传特征选择335

11.9.3 网络泛化问题340

11.9.4 讨论和小结342

11.10 讨论及总结343

参考文献344

第12章 数据归一化347

12.1 简介347

12.2 忽略数据归一化的实例348

12.3 环境和运营变化源349

12.4 传感器系统设计352

12.5 运营和环境变化建模354

12.6 查表356

12.7 数据归一化的机器学习方法362

12.7.1 自联想神经网络法363

12.7.2 因子分析363

12.7.3 马氏平方距离法364

12.7.4 奇异值分解法364

12.7.5 模拟房屋结构数据的应用365

12.8 智能特征选择：投影法368

12.9 协整371

12.9.1 理论371

12.9.2 例证373

12.10 总结374

参考文献375

第13章 结构健康监测的基本公理378

13.1 简介378

13.2 公理Ⅰ379

13.3 公理Ⅱ380

13.4 公理Ⅲ382

13.5 公理Ⅳa384

13.6 公理Ⅳb384

13.7 公理Ⅴ385

13.8 公理Ⅵ386

13.9 公理Ⅶ388

13.10 公理Ⅷ390

13.11 小结394

参考文献394

第14章 损伤预后397

14.1 简介397

14.2 损伤预后的动因397

14.3 损伤预后的当前状态398

14.4 定义损伤预后问题399

14.5 损伤预后过程简介401

14.6 影响损伤预后过程的新兴技术402

14.6.1 损伤传感系统402

14.6.2 未来荷载估计的预测模型402

14.6.3 模型验证及确认402

14.6.4 损伤预后决策的可靠性分析403

14.7 预后案例研究：钛板裂缝扩展403

14.7.1 计算模型404

14.7.2 蒙特卡罗模拟406

14.7.3 问题407

14.8 UAV结构构件的损伤预后408

14.9 损伤预后总结性评论409

14.10 全寿命系统状态感知410

参考文献411