不完备数据下结构异常检测：自适应融合方法

"这篇论文是2012年由姜绍飞、韩哲东和吴兆旗在《沈阳建筑大学学报(自然科学版)》上发表的，主要探讨了在数据不完备情况下如何进行结构异常检测。研究中提出了自适应一致性数据融合替换方法，并结合小波分解技术来解决这个问题。通过数值模拟和与其他方法比较，证明了该方法在识别结构损伤异常方面的有效性，特别是在对抗环境干扰和提高数据可靠性方面具有优势，适用于大型工程结构的健康监测和安全评估。" 文章中提到的知识点包括： 1. 数据不完备问题：在结构异常检测中，数据的缺失或不完整是常见的挑战，这会影响检测的准确性。 2. 自适应一致性数据融合：这是一种处理不完备数据的方法，旨在通过融合来自不同传感器的数据来提高诊断效率。然而，直接应用这种方法可能无法准确诊断结构异常。 3. 一致性数据替换方法：在自适应一致性数据融合前，首先对不完备数据进行一致性替换，以确保数据的质量，从而提高后续融合和异常检测的准确性。 4. 小波分析：小波分解技术被用来提取数据中的特征信息，对于结构异常检测尤其有用，因为它能够揭示数据的局部特性，帮助识别异常模式。 5. 异常检测：异常检测是结构健康监测的核心，目的是发现结构性能的非正常变化，通常涉及数据分析和模式识别技术。 6. 结构健康监测与安全性评估：论文中的方法旨在为大型工程结构提供有效的健康监测手段，通过异常检测来评估结构的安全性，预防可能的灾难性故障。 7. 抗干扰性：自适应一致性数据融合方法显示出了良好的环境抗扰性，即使在存在噪声或其他外部干扰的情况下，也能保持检测的准确性。 8. 提高数据可靠性：通过数据融合和自适应算法，可以获取更多特征信息，增强数据的可靠性，这对于在数据不完备情况下的决策至关重要。 9. 数值算例和比较分析：论文通过两个数值模拟实例和与其他方法的对比，验证了所提出方法的有效性和可行性。 总体来说，这篇论文介绍了一种创新的结构异常检测策略，它结合了数据处理和分析技术，特别是在面对数据不完整时，能够提供更可靠的结果，这对于实际工程应用具有重要的理论和实践价值。