[发明专利]基于向量自回归模型的结构局部缺陷检测方法

说明书

基于向量自回归模型的结构局部缺陷识别方法，步骤一：采集缺陷结构和无缺陷结构的加速度响应，将采集得到的加速度响应分解成数据长度相同的多个样本；步骤二：利用AIC准则确定步骤一中得到的各个样本的VAR模型阶数；步骤三：根据步骤二中确定的VAR模型阶数，建立各个样本VAR模型；步骤四：提取步骤三种各个VAR模型中系数矩阵的对角元素，并定义全新的特征向量f；步骤五：根据步骤四中的向量f，分别计算缺陷状态和无缺陷状态的马氏距离；步骤六：根据步骤五中计算得到的缺陷状态和无缺陷状态的马氏距离进行后续的结构缺陷识别。该方法能够有效利用结构的振动响应，借助向量自回归模型对结构的振动响应进行分析，快速有效地完成结构的局部缺陷识别。

技术领域

本发明属于结构监控监测领域。

技术背景

结构健康监测(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，达到检测结构缺陷或退化的目的。其中的缺陷识别是指通过一定的技术和方法，识别结构是否出现缺陷，确定缺陷的位置以及严重程度，为结构的维护与维修提出建议，使得结构能在寿命周期内更好地发挥使用价值。无论是环境振动，还是风荷载与地震荷载，在动态效应对结构产生不利影响并产生灾害性破坏前，能否快速有效地识别缺陷，对于降低经济损失、保证结构使用性能具有重要意义。目前，国内外学者提出了很多缺陷识别方法。

目前缺陷识别方法主要有以下几种类型，传统无损识别技术、基于结构振动响应的缺陷识别方法。传统无损识别技术指以不会破坏结构的方式来检测结构物缺陷现象及其程度的一种检测方法，其借助某种介质，如声，光，电，磁等进行间接的监测，如红外热成像法、超声波法、涡流或温度场法等。基于结构振动响应的缺陷识别方法通过分析结构振动响应获取结构模态特性和物理参数的变化，完成缺陷识别。

传统无损识别技术存在工作量大、耗费高、探伤区域小等诸多局限性：

(1)该方法要求事先知道结构缺陷的大概位置，才能更为有效的完成缺陷的检测；

(2)被检测的部位需要满足检测仪器能够直接接触的要求，导致了其在缺陷检测应用中的局限性；

(3)该方法需要专业设备支撑，但设备往往较为昂贵，难以广泛推广。

基于结构振动响应的缺陷识别方法可以大致分为基于模态驱动的方法和基于数据驱动的方法两种。基于模态驱动的方法通常利用识别得到的频率、振型等模态指标以及模态柔度、模态应变能等衍生指标识别是否发生缺陷以及确定缺陷发生的部位，并可进一步结合模型更新等手段量化缺陷程度。但是该方法具有如下局限：

(1)该方法具有全局属性，对局部缺陷不敏感；

(2)该方法在环境激励下得到的模态指标不确定程度较高；

(3)复杂结构的基准有限元模型较难准确获取。

基于数据驱动的方法多借助自回归模型、小波变换和希尔伯特黄变换等数学模型从结构响应信号中提取缺陷判别指标，然后通过结构缺陷前后指标的统计模式对比实现缺陷识别。基于数据驱动的方法只需要对结构响应信号进行分析，而不需要结构的基准有限元模型，这极大地扩大了其应用范围，同时该类方法对结构的局部缺陷敏感。但是，现有的基于数据驱动的方法大部分仅能判别结构是否出现缺陷，若想确定结构缺陷的位置，则需要做多测定重复计算才能完成，无疑极大地增大了缺陷识别的计算量。

发明内容

本发明针对现有技术的确定，提出了一种基于向量自回归模型的结构局部缺陷识别方法，该方法能够有效的利用结构的振动响应，借助向量自回归模型对结构的振动响应进行分析，能够快速有效地完成结构的局部缺陷识别。

一种基于向量自回归模型的结构局部缺陷识别方法，通过以下步骤实现，包括

步骤一：采集缺陷结构和无缺陷结构的加速度α响应，将采集得到的加速度响应分解成数据长度相同的多个样本，用于后续向量自回归模型(VAR)的建立；