机械结构健康监测关键技术

《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（8页珍藏版）》请在装配图网上搜索。

1、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)，结合先

2、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

3、的过程包括 :通过一系列传感 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

4、决于测量设备的分辨率和精度。而 SHM 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

5、全性和功能性将大大提高。2 机械结构健康监测系统的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

6、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

7、），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

8、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

9、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

10、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

11、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

12、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，

13、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

14、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

15、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

16、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

17、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、控制与决策等领域。由于损伤/故障的存在 使得实测结构响应具有很强的模糊性、多层次性、相似性等特点，很难进行精确 的推理。聚类分析是多元统计分析的一种，它把一个没有类别标记的样本集按某 种准则划分成若干个

18、子集(类)，使相似的样本尽可能归为一类，而不相似的样本 尽量划分到不同的类中。因此根据损伤/故障特征参数指标的模糊性与不确定性， 应用模糊聚类方法确定样本的亲疏程度来实现模式分类与损伤识别。4.4 数据融合 数据融合又称信息融合，是利用计算机技术对按时序获得的若干传感器的 观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行 的信息处理过程。它利用多个传感器共同或联合操作的优势，提高传感器系统的 有效性，消除单个或少量传感器的局限性。数据融合出现在20世纪70年代初期， 来源于军事领域中的 C3I (comma nd, con trol, comm uni ca tion a

19、nd in tellige nee)系统 的需要，当时称为多源相关、多传感器混合数据融合，并于 80年代建立其技术。 美国国防部从军事应用的角度将数据融合定义为这样一个过程：把来自许多传感 器和信息源的数据和信息加以联合(association)、相关(correlation)和组合 (combination) ， 以 获 得 精 确 的 状 态 估 计 (states estimation) 、 身 份 识 别 (ide ntity estimatio n)以及完整的态势评估和威胁评估。4.5 分形理论与计算 分形理论的研究与发展揭示了非线性系统中有序与无序的统一，确定性与 随机性的统一，给

20、人们提供了全新的观念与手段来处理以前的许多难题。分形理 论本意是不规则的、破碎的、分数的，它可以描述传统的欧几里德几何所不能描 述的一大类无规则的几何对象，它通过分形维数（分维）在状态空间中来定量描述、 刻画非线性系统行为的复杂性，来度量信号的不规则度。工程结构所处状态不同（健康或有损伤、损伤程度不同）时，其振动响应信号 的分形维数也将发生变化，可用此作为判断信号状态的特征量。结构不同部位的 损伤以及同一部位的不同损伤程度，其振动信号的分形维数均有明显的变化，可 以用分形维数作特征量进行损伤检测与状态评估。研究表明：用分形方法从经小 波分析的数据中提取神经网络的训练样本能较好地反映损伤特征；小

21、波神经网络 的损伤识别精度要高于 BP 网络，尤其在测量噪声较大的情况下。4.6 粗糙集粗糙集理论是波兰数学家Pawlak Zdzislaw于1982年提出的一种用于处理不 完整、不精确知识的数学方法。该理论不需要任何预备的或额外的先验知识，能 有效分析和处理不精确、不一致、不完整等各种不完备数据，并从中发现隐含的 知识，揭示潜在的规律。其中数据约简是重要技术，通过数据约简可以在保持分 类一致的约束下简化数据，从而削减冗余对象与属性、寻求属性的最小子集。该 理论近年日益受到重视，在信息处理、自动控制、故障诊断、模式识别、机器学 习、决策分析等领域产生了令人关注的应用。与其他智能信息处理相比，粗

22、糙集理论有几个特点：1） 不需要先验知识。模 糊集和概率统计方法是处理不确定信息的常用方法，但这些方法需要一些数据的 附加信息或先验信息，如模糊隶属函数和概率分布等，这些信息并不容易得到。 粗糙集方法仅利用数据本身提供的信息，无须任何先验知识。2） 粗糙集是一个强 大的数据分析工具。它能表达和处理不完备信息；能在保留关键信息的前提下对 数据进行化简并求得知识的最小表达式；能识别并评估数据之间的依赖关系，揭 示出概念简单的模式；能从经验数据中获取易于证实的规则知识，特别适于智能 控制。3） 粗糙集与模糊集分别刻画了不完备信息的两个方面：粗糙集以不可分辨 关系为基础，侧重分类；模糊集基于元素对集合

23、隶属程度的不同，强调集合本身 的含混性。虽然粗糙集和模糊集特点不同，但它们之间有着密切的关系：有很强 的互补性，粗糙集和证据理论也有一些相互交叠之处，在实际应用中可以相互补 充。4.7 进化计算进化计算代表性的技术有遗传算法（GA）、粒子群算法，它们是基于适者生存、 优胜劣汰的进化原则来搜索下一代的最优个体，以达到满足要求的最优解。作为 一种优化算法，它不需要对目标函数进行求导，且求解是全局性的，因此它被比 较广泛地应用于结构优化、传感器布设、故障诊断与损伤检测等领域。Furuta提 出将GA与特征灵敏度相结合的损伤定位方法,并用模拟梁和实测板进行了验证。 该方法的优点是不仅可以对结构进行灵敏

24、度分析，而且可以用遗传算法对包含损 伤位置信息的目标函数进行全局优化，缺点在于计算分析复杂，计算时间比较长。 目前常用的振动检测方法是将灵敏度分析与优化算法相结合，使实测响应与理论 分析数据之间的差异最小来实现的。总之，进化计算是来自生物仿生学的计算技术，它具有比较高的智能，采用 并行计算，较好地处理不确定性、不需要显式表达式和求导，以及获得的解是全 局最优解等优点，但是计算比较复杂，耗时比较多，且用于实际工程中的例子有 待于进一步研究与推广。5 发展与展望作为一个新兴的领域，机械结构健康监测技术与预警技术将在不久的将来迎来巨大的发展机遇。目前，机械结构健康监测技术的发展趋势主要包括：1）高精

25、度、宽频带、无线化、低功耗、小尺寸的智能传感元件。2）鲁棒性强、实时性高、灵敏度高的结构状态特征参数提取技术。3）进一步加快针对典型工程结构中的应用研究。随着研究的深入，一些新的研究方向也是今后的发展趋势。机械结构健康监 测智能结构的规范化、模块化、便于应用的设计制造技术及智能结构自身的质量 评定技术也是逐渐得到重视的一个研究方向。现阶段主要采用分立的传感元件， 以手工设置的方式制作，将功能元件埋入或粘贴在结构表面，导致一致性和规范 性严重不足，很大程度上影响了结构健康监测技术的实用性。另外，采用智能结构技术实现的机械结构健康监测系统在设计制作完成后， 其自身的质量评定技术及在使用过程中自身的损伤和失效研究也是该技术真正 实用化的基础，这方面的研究也越来越受到重视。