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Ⅰ 50
4.2.2 策略Ⅱ 50
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Ⅰ 379
13.3 公理Ⅱ 380
13.4 公理Ⅲ 382
13.5 公理Ⅳa 384
13.6 公理Ⅳb 384
13.7 公理Ⅴ 385
13.8 公理Ⅵ 386
13.9 公理Ⅶ 388
13.10 公理Ⅷ 390
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