| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-22页 |
| 1.1 课题的研究背景及研究意义 | 第9-10页 |
| 1.1.1 水电站厂房结构的振动问题 | 第9-10页 |
| 1.1.2 水电机组动载识别研究的意义 | 第10页 |
| 1.2 动载识别问题概述 | 第10-17页 |
| 1.2.1 动载识别的概念 | 第10-12页 |
| 1.2.2 动载识别技术的研究进展 | 第12-17页 |
| 1.3 小结 | 第17-18页 |
| 1.4 本文主要工作 | 第18-19页 |
| 参考文献 | 第19-22页 |
| 2 神经网络识别方法 | 第22-32页 |
| 2.1 神经网络概述 | 第22-23页 |
| 2.2 BP网络简介 | 第23-25页 |
| 2.3 两种改进的BP网络及RBF网络简介 | 第25-31页 |
| 2.3.1 附加动量法的BP网络简介 | 第25-26页 |
| 2.3.2 LM优化算法简介 | 第26-28页 |
| 2.3.3 RBF网络简介 | 第28-31页 |
| 参考文献 | 第31-32页 |
| 3 三种神经网络算法用于动载识别的比较 | 第32-50页 |
| 3.1 正问题的求解 | 第32-38页 |
| 3.1.1 模态分析 | 第32页 |
| 3.1.2 瞬态动力学分析 | 第32-33页 |
| 3.1.3 正问题的求解方法 | 第33-34页 |
| 3.1.4 数值仿真算例正响应的求解 | 第34-38页 |
| 3.2 使用附加动量法的BP网络进行仿真算例的识别 | 第38-42页 |
| 3.2.1 网络结构的确定 | 第38-39页 |
| 3.2.2 数据样本的预处理 | 第39页 |
| 3.2.3 仿真算例的识别情况 | 第39-42页 |
| 3.3 用LM优化算法进行仿真算例的识别 | 第42-44页 |
| 3.4 用RBF网络进行算例的仿真识别 | 第44-47页 |
| 3.4.1 RBF网络参数的选择 | 第44-45页 |
| 3.4.2 仿真算例的识别结果 | 第45-47页 |
| 3.5 三种算法识别结果的比较 | 第47-48页 |
| 3.5.1 识别效果对比 | 第47页 |
| 3.5.2 网络性能比较 | 第47-48页 |
| 3.6 小结 | 第48-49页 |
| 参考文献 | 第49-50页 |
| 4 结构动载识别室内模型实验 | 第50-67页 |
| 4.1 实验目的 | 第50页 |
| 4.2 模型情况 | 第50-51页 |
| 4.3 实验设备和仪器 | 第51-52页 |
| 4.3.1 数据采集系统 | 第52页 |
| 4.3.2 传感器 | 第52页 |
| 4.4 有限元模型的建立 | 第52-55页 |
| 4.4.1 单元类型的选取 | 第52-53页 |
| 4.4.2 模型物理力学参数的测定 | 第53页 |
| 4.4.3 有限元模型 | 第53-55页 |
| 4.5 不同测点布置方案识别结果的情况 | 第55-59页 |
| 4.6 实验数据采集 | 第59-64页 |
| 4.6.1 采样频率的选择 | 第59-60页 |
| 4.6.2 实测数据 | 第60-62页 |
| 4.6.3 数据处理 | 第62-64页 |
| 4.7 载荷反演情况 | 第64-65页 |
| 4.8 小结 | 第65-66页 |
| 参考文献 | 第66-67页 |
| 5 神经网络进行水电站机组动载荷识别的探讨 | 第67-73页 |
| 5.1 引言 | 第67页 |
| 5.2 机组的有限元模型建立 | 第67-68页 |
| 5.3 作用在轴系上的外力 | 第68-70页 |
| 5.4 载荷识别情况 | 第70-72页 |
| 5.5 小结 | 第72页 |
| 参考文献 | 第72-73页 |
| 6 结论与展望 | 第73-75页 |
| 6.1 主要工作与结论 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 攻读硕士学位期间发表学术论文情况 | 第75-76页 |
| 致谢 | 第76-77页 |
| 大连理工大学学位论文版权使用授权书 | 第77页 |