隨著社會(huì)經(jīng)濟(jì)的發(fā)展,土木結(jié)構(gòu)建設(shè)的趨勢是“高、大、長”,因而對結(jié)構(gòu)安全性的要求也越來越高,建立大型結(jié)構(gòu)的智能健康監(jiān)測系統(tǒng)已成為土木工程學(xué)科發(fā)展的重要領(lǐng)域[1, 2]。
一個(gè)完整的
智能健康監(jiān)測專家系統(tǒng)簡單來說可以分為三個(gè)部分[3],即信號(hào)采集、信號(hào)處理和損傷診斷。其中損傷診斷是健康監(jiān)測的核心問題,是對結(jié)構(gòu)進(jìn)行安全性評估和維護(hù)決策的基礎(chǔ)。目前損傷診斷方法有多種,而人工神經(jīng)網(wǎng)絡(luò)(簡稱ANN)診斷技術(shù)在知識(shí)獲取、并行推理、適應(yīng)性學(xué)習(xí)、聯(lián)想推理、容錯(cuò)能力等方面具有較大的優(yōu)越性。
1. 神經(jīng)網(wǎng)絡(luò)在損傷識(shí)別診斷中得應(yīng)用
神經(jīng)網(wǎng)絡(luò)技術(shù)之所以適合于結(jié)構(gòu)損傷診斷,主要有三個(gè)原因[4],①訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能夠存儲(chǔ)有關(guān)過程的知識(shí),根據(jù)對象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),然后將此信息與當(dāng)前測量數(shù)據(jù)進(jìn)行比較,以確定損傷。②神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力。③神經(jīng)網(wǎng)絡(luò)具有分辨損傷原因及損傷類型的能力。
損傷診斷可分為無模型識(shí)別法(Free-Model)和有模型識(shí)別法(Model-Based)兩大類[5]。
無模型識(shí)別是指損傷識(shí)別過程中不需要建立結(jié)構(gòu)的數(shù)學(xué)與力學(xué)模型,完全基于結(jié)構(gòu)現(xiàn)場實(shí)時(shí)檢測數(shù)據(jù)并考慮專家經(jīng)驗(yàn)建立結(jié)構(gòu)狀態(tài)知識(shí)庫,然后采用人工神經(jīng)網(wǎng)絡(luò)診斷技術(shù)進(jìn)行診斷。因?yàn)榻Y(jié)構(gòu)在不同狀態(tài)下其本身的某些往往會(huì)發(fā)生變化,這些變化包含了結(jié)構(gòu)損傷位置和損傷程度的信息,根據(jù)結(jié)構(gòu)特性變化分析就可以反演結(jié)構(gòu)是否存在損傷以及損壞位置和損傷程度。這是一個(gè)反分析過程,需要建立結(jié)構(gòu)關(guān)鍵性能指標(biāo)變化與結(jié)構(gòu)狀態(tài)的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)通過對實(shí)測數(shù)據(jù)加專家經(jīng)驗(yàn)建立的知識(shí)信息進(jìn)行學(xué)習(xí),通過權(quán)值記下所學(xué)過的樣本知識(shí)并掌握輸入、輸出之間復(fù)雜的非線性關(guān)系。在診斷過程中,根據(jù)實(shí)測關(guān)鍵性能指標(biāo)的變化與儲(chǔ)存在已建知識(shí)庫的各種狀態(tài)的損傷識(shí)別量進(jìn)行模式匹配來進(jìn)行結(jié)構(gòu)的損傷檢測與診斷。建立在實(shí)測數(shù)據(jù)基礎(chǔ)上的專家數(shù)據(jù)知識(shí)庫,其知識(shí)信息具有真實(shí)性、連續(xù)性、準(zhǔn)確性,可以不斷更新。
基于模型的損傷診斷技術(shù)是在結(jié)構(gòu)健康診斷過程中,通過建立精細(xì)的能夠反映結(jié)構(gòu)的真實(shí)形態(tài)的結(jié)構(gòu)數(shù)學(xué)與力學(xué)模型,分析計(jì)算結(jié)構(gòu)在各種狀態(tài)下的參數(shù)指標(biāo),輔助實(shí)測數(shù)據(jù)以及考慮專家經(jīng)驗(yàn)建立結(jié)構(gòu)狀態(tài)知識(shí)信息庫,利用人工神經(jīng)網(wǎng)絡(luò)的模式識(shí)別功能進(jìn)行結(jié)構(gòu)損傷狀態(tài)的診斷。所謂精細(xì)的模型是指理論分析的數(shù)據(jù)應(yīng)該和實(shí)測數(shù)據(jù)吻合得較好,兩者偏差要在允許范圍內(nèi),這與設(shè)計(jì)分析所需建立的計(jì)算模型相比要求更加嚴(yán)格,如果用于損傷識(shí)別的模型存在較大的模型誤差,會(huì)使計(jì)算的參數(shù)產(chǎn)生與損傷引起的參數(shù)改變相當(dāng),甚至更大的偏差,就可能使基于這些參數(shù)改變的損傷檢測方法識(shí)別結(jié)果較差,甚至失效。
通常采用有限元法建立結(jié)構(gòu)力學(xué)模型作為損傷診斷的基準(zhǔn)參考。進(jìn)行精細(xì)有效的有限元?jiǎng)恿Ψ治?一種方法是利用商業(yè)化軟件如ANSYS、ABAQUS和ADINA等。但這些程序?qū)τ谝恍┙Y(jié)構(gòu)有特殊要求的分析就無能為力,例如混凝土壩考慮動(dòng)水壓力影響下的動(dòng)力分析。這就需要利用自編程序來進(jìn)行分析,但是工作量較大。但已有的有限元模型修正技術(shù)僅適用“小誤差模型”的修正[6],而較大“誤差”的情況則屬于非適定的、非線性的問題。人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射功能就非常適合解決結(jié)構(gòu)模型修正中非線性問題[7]。建立結(jié)構(gòu)有限元力學(xué)模型,選擇不同的材料物理參數(shù)與邊界條件可以計(jì)算不同的結(jié)構(gòu)響應(yīng),因此結(jié)構(gòu)響應(yīng)和結(jié)構(gòu)設(shè)計(jì)變量之間存在復(fù)雜的映射函數(shù)關(guān)系,這種近似映射函數(shù)關(guān)系用常規(guī)方法來確定比較困難。在前蘇聯(lián)數(shù)學(xué)家Kolmogorov提出的任意連續(xù)函數(shù)表示定理基礎(chǔ)上,Robert HN提出了Kolmogorov多層神經(jīng)網(wǎng)絡(luò)映射存在定理,從理論上論證了一個(gè)任意的連續(xù)函數(shù)都能與一個(gè)三層神經(jīng)網(wǎng)絡(luò)建立映射關(guān)系。這為人工神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)模型修正提供了理論基礎(chǔ)[7]。
2. 基于神經(jīng)網(wǎng)絡(luò)損傷診斷的兩級(jí)識(shí)別策略
采用人工神經(jīng)網(wǎng)絡(luò)方法對結(jié)構(gòu)損傷的發(fā)生、定位和損傷類型與程度進(jìn)行研究,可以采用基于網(wǎng)絡(luò)判別指標(biāo)過濾方法的兩級(jí)識(shí)別策略[8]。
2.1 自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷
自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法(Auto-associate Neural Network)利用健康結(jié)構(gòu)在正常情況下的序列測量數(shù)據(jù)作為訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X,Y,依次構(gòu)造一個(gè)自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(X→Y)。訓(xùn)練完成后,將輸入數(shù)據(jù)X再次輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net以便得到一組網(wǎng)絡(luò)輸出數(shù)據(jù),比較測量數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標(biāo)。判別指標(biāo)可以采用結(jié)構(gòu)某個(gè)動(dòng)力特性參數(shù)加以構(gòu)造,也可將多個(gè)動(dòng)力特性參數(shù)同時(shí)考慮加以構(gòu)造。具體結(jié)構(gòu)中最終如何構(gòu)造判別指標(biāo),需要根據(jù)結(jié)構(gòu)特點(diǎn)進(jìn)行判別指標(biāo)對結(jié)構(gòu)損傷的敏感度的分析加以確定。
當(dāng)同一個(gè)結(jié)構(gòu)可能發(fā)生損傷以后的測量數(shù)據(jù)被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net,由本次輸入數(shù)據(jù)和輸出數(shù)據(jù)可以計(jì)算得到的新的判別指標(biāo),與健康結(jié)構(gòu)的判別指標(biāo)相比較,就可以預(yù)告結(jié)構(gòu)是否發(fā)生損傷。如果兩者差值(可以稱為損傷指標(biāo))較大,就認(rèn)為結(jié)構(gòu)已經(jīng)發(fā)生損傷。
2.2 概率神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷的位置和類型
結(jié)構(gòu)損傷指標(biāo)的判定通常只能檢測損傷的發(fā)生,難以確定損傷的位置和損傷的類型。概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,簡稱PNN)可以用于判定損傷的位置和類型。
PNN[9-11]是通過具有無參數(shù)估計(jì)量的已知數(shù)據(jù)集的概率密度函數(shù)來實(shí)現(xiàn)貝葉斯決策,將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進(jìn)行判別未知數(shù)據(jù)最大可能屬于哪個(gè)已知數(shù)集,對于具有,,…,,…,的多類指標(biāo)問題來說,基于p維試驗(yàn)向量X的貝葉斯決策d(X)為: (1)
式中――分類指標(biāo)的先驗(yàn)概率
――與錯(cuò)誤分類的相關(guān)損失,在損傷檢測問題中兩者通常假定相等
――概率密度函數(shù)
采用多變量高斯(Gauss)分布函數(shù):
(2)
將該貝葉斯決策映射為一個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一個(gè)概率神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)分為四層,即輸入層、模式層、求和層和決策層,如圖1所示。
輸入向量X的每個(gè)元素作為輸入層的輸入?yún)?shù)。由權(quán)重向量和向量X的點(diǎn)積構(gòu)成中間層的神經(jīng)元,而相對于分類號(hào)q的決策層神經(jīng)元輸出為:
(3)
式中 ――高斯核的標(biāo)準(zhǔn)差
傳統(tǒng)PNN對所有高斯核都采用統(tǒng)一的值。影響傳統(tǒng)PNN廣泛應(yīng)用的最大障礙就是所有的參數(shù)具有同一個(gè)參數(shù)值。對于自適應(yīng)PNN,每一測量維數(shù)具有不同的參數(shù)。
假定具有不同損傷部位(即損傷模式)和不同剛度損傷程度(如0%,20%,75%和90%)的有限元分析得到的模態(tài)數(shù)據(jù)作為輸入數(shù)據(jù)輸入PNN進(jìn)行訓(xùn)練,數(shù)據(jù)可以加入或者不加入環(huán)境“污染”分量。損傷位置或類型假定有多種。如果結(jié)構(gòu)損傷標(biāo)識(shí)量選用自振頻率變化率,輸入向量X為P個(gè)自振頻率變化率,將帶有某種類型損傷(或混合模式損傷)的實(shí)測模態(tài)數(shù)據(jù)輸入訓(xùn)練好的PNN,則得到?jīng)Q策層(輸出層)各個(gè)損傷形態(tài)在試驗(yàn)向量點(diǎn)對應(yīng)的概率密度函數(shù)PDF的估計(jì)值,具有最大PDF的損傷模式將給出損傷的位置或者類型。
這種損傷診斷方法最大優(yōu)勢在于可以降低測量誤差對損傷識(shí)別結(jié)果的影響。因?yàn)閾p傷識(shí)別指標(biāo)對模態(tài)參數(shù)變化率敏感,對于具有相同環(huán)境“污染”程度的前后兩次數(shù)據(jù),其“污染”造成的誤差可以抵消,從而對損傷識(shí)別精度的影響較小。從本質(zhì)上說,如果網(wǎng)絡(luò)訓(xùn)練階段并不需要數(shù)學(xué)模型分析而直接采用健康結(jié)果的實(shí)測數(shù)據(jù),則神經(jīng)網(wǎng)絡(luò)算法并不需要數(shù)學(xué)模型,這也是該算法的一個(gè)優(yōu)點(diǎn)。
研究表明[12, 13],在損傷診斷過程中,模型誤差對損傷識(shí)別結(jié)果的影響要比測量誤差小,而且隨著損傷程度的增加而變化不大。用誤差≯10%的模型來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),是完全可以接受的。神經(jīng)網(wǎng)絡(luò)對損傷的識(shí)別結(jié)果受測量誤差影響較大,但隨損傷程度的增加而降低。改善測量誤差,降低其對識(shí)別結(jié)果的影響極其重要。
3. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法
近年來。不斷發(fā)展起來的多傳感器數(shù)據(jù)融合(或稱信息融合)技術(shù)以其強(qiáng)大的時(shí)空覆蓋能力和對多源不確定性信息的綜合處理能力,可以有效進(jìn)行結(jié)構(gòu)系統(tǒng)的監(jiān)測和診斷。雖然目前基于動(dòng)力響應(yīng)的各種智能損傷診斷技術(shù)得到研究,但這些技術(shù)存在著識(shí)別精度不高或適用條件等缺陷。目前迅速發(fā)展的數(shù)據(jù)融合技術(shù)具有充分利用各個(gè)數(shù)據(jù)源包含的冗余和互補(bǔ)信息的優(yōu)點(diǎn),可以提高系統(tǒng)決策的準(zhǔn)確性和魯棒性。姜紹飛等[14]提出的基于小波概率神經(jīng)網(wǎng)絡(luò)(wavelet probabilistic neural network WPNN)和數(shù)據(jù)融合的結(jié)構(gòu)損傷檢測方法將兩者有機(jī)結(jié)合,推動(dòng)了神經(jīng)網(wǎng)絡(luò)技術(shù)在土木結(jié)構(gòu)健康檢測中應(yīng)用的發(fā)展。
3.1 數(shù)據(jù)融合
數(shù)據(jù)融合是多源信息綜合處理的一項(xiàng)新技術(shù),是將來自某一目標(biāo)(結(jié)構(gòu))的多源信息加以智能化合成,得到比單一傳感器更精確、更完全的估計(jì),其有點(diǎn)突出表現(xiàn)在信息的冗余性、容錯(cuò)性、互補(bǔ)性、實(shí)時(shí)性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量單元組成的非線性大規(guī)模自適應(yīng)動(dòng)力系統(tǒng),具有學(xué)習(xí)、容錯(cuò)、記憶、計(jì)算以及智能處理,二者在結(jié)構(gòu)上存在著相似性,可以充分利用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢,考慮傳感器或者信息處理單元之間的互相影響、互相制約的關(guān)系,體現(xiàn)了信息融合系統(tǒng)是一個(gè)有機(jī)的整體,而不是多種信息的羅列和簡單的代數(shù)加減關(guān)系。根據(jù)信息(數(shù)據(jù))表征的級(jí)次,數(shù)據(jù)融合可以分為數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合。
3.2 小波變化及小波概率神經(jīng)網(wǎng)絡(luò)
設(shè)函數(shù),如果滿足,則稱為基本小波或母小波。將母小波函數(shù)伸縮和平移,得到的函數(shù)稱為小波函數(shù),簡稱小波。
設(shè)信號(hào),則其小波變換定義為
基于小波變化的神經(jīng)網(wǎng)絡(luò)稱為小波神經(jīng)網(wǎng)絡(luò),它是小波分析與神經(jīng)網(wǎng)絡(luò)的融合(結(jié)合)二者的結(jié)合有兩種途徑:其一,將小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段,為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量,也稱松散型小波神經(jīng)網(wǎng)絡(luò)、其二,將小波分析與神經(jīng)網(wǎng)絡(luò)直接融合,即以小波函數(shù)和尺度函數(shù)來形成神經(jīng)元,也稱緊湊型小波神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)繼承了小波分析與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),通過訓(xùn)練自適應(yīng)地調(diào)整小波基的形狀實(shí)現(xiàn)小波變換,具有良好的函數(shù)逼近能力和模式分類能力。
3.3 基于WPNN與數(shù)據(jù)融合的損傷檢測方法
為了充分發(fā)揮數(shù)據(jù)融合與WPNN的優(yōu)點(diǎn),提出了基于WPNN與數(shù)據(jù)融合的損傷模型(見圖2),它首先將來自傳感器1的結(jié)構(gòu)響應(yīng)進(jìn)行數(shù)據(jù)預(yù)處理、特征提取,采用小波理論,獲得該傳感器的小波能量特征向量;依次類推,獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中,進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及融合計(jì)算;最后根據(jù)最大的概率密度函數(shù)值得到融合損傷識(shí)別結(jié)果及損傷類型。
為了驗(yàn)證該方法的有效性,姜紹飛運(yùn)用美國土木工程學(xué)會(huì)提出的一個(gè)4層鋼結(jié)構(gòu)框架模型進(jìn)行驗(yàn)證[14]。通過驗(yàn)證可見,基于WPNN與數(shù)據(jù)融合的損傷檢測方法的識(shí)別效果比用單傳感器進(jìn)行損傷識(shí)別分類的效果好,它對損傷最敏感,受噪聲的干擾影響最小;另一方面也說明,數(shù)據(jù)融合能夠使不同傳感器的信息相互補(bǔ)充,從而減小了損傷檢測數(shù)據(jù)(信息)的不確定性,使結(jié)構(gòu)的信息具有更高的精度和可靠性,進(jìn)而能夠獲得更準(zhǔn)確的損傷識(shí)別結(jié)果及最優(yōu)的結(jié)構(gòu)狀態(tài)估計(jì)。
4. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)選擇
采用什么參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量是利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷診斷中需要考慮的極其關(guān)鍵的一個(gè)問題。神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的選擇及其表達(dá)形式直接影響損傷診斷的結(jié)果。采用結(jié)構(gòu)動(dòng)力參數(shù)作為結(jié)構(gòu)損傷識(shí)別的方法現(xiàn)在得到大量的應(yīng)用。其原因一方面是結(jié)構(gòu)動(dòng)力參數(shù)是結(jié)構(gòu)本身固有特性,受外界環(huán)境干擾較小。另一方面結(jié)構(gòu)自振頻率和振動(dòng)模態(tài)等動(dòng)力參數(shù)比較容易從少量的動(dòng)態(tài)測量中得到,而且測量方法比較簡單。基于結(jié)構(gòu)動(dòng)力特性的損傷診斷方法,其基本思想是結(jié)構(gòu)的物理參數(shù)如剛度、質(zhì)量和阻尼比等在結(jié)構(gòu)不同狀態(tài)中的變化會(huì)改變結(jié)構(gòu)動(dòng)力特性――固有頻率和模態(tài)。因此可以根據(jù)結(jié)構(gòu)的固有頻率、模態(tài)振型或者兩者一起考慮等方法進(jìn)行檢測,另外還可以利用這些模態(tài)參數(shù)計(jì)算模態(tài)曲率、應(yīng)變模態(tài)、結(jié)構(gòu)柔度、模態(tài)阻尼比等力學(xué)指標(biāo),然后采用神經(jīng)網(wǎng)絡(luò)算法等對結(jié)構(gòu)的損傷發(fā)生、損傷定位、損傷程度進(jìn)行檢測。對于簡單的構(gòu)件來說,采用結(jié)構(gòu)固有振動(dòng)頻率作為網(wǎng)絡(luò)輸入?yún)?shù)就可以得到良好的診斷結(jié)果[15-17]。固有頻率可以在結(jié)構(gòu)的一個(gè)點(diǎn)上測到,并且與測點(diǎn)位置相對獨(dú)立,是一個(gè)能反映結(jié)構(gòu)整體的動(dòng)力特性。但對于一般結(jié)構(gòu),固有頻率包含的結(jié)構(gòu)損傷信息還不足以進(jìn)行識(shí)別與定位,例如對稱結(jié)構(gòu),兩個(gè)對稱位置的損傷所引起的固有頻率變化是完全相同的。因此有人建議采用固有頻率和關(guān)鍵點(diǎn)的振型模態(tài)作為組合參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)損傷診斷比較實(shí)用[18, 19],這可以解決對稱結(jié)構(gòu)和測量模態(tài)數(shù)據(jù)不完備問題。
對于結(jié)構(gòu)損傷診斷來說,固有頻率和振動(dòng)模態(tài)是檢測的全局量,可以用來對結(jié)構(gòu)整體狀態(tài)進(jìn)行描述。但對于復(fù)雜結(jié)構(gòu),像大跨徑橋梁,其贅余度大,造成結(jié)構(gòu)局部損傷對整體性能反映影響不大,也就是說全局參數(shù)指標(biāo)對局部損傷不敏感。例如結(jié)構(gòu)局部損傷導(dǎo)致的固有頻率變化很小,估計(jì)<5%,而Askegaurd等人在對橋梁長期觀測后發(fā)現(xiàn),在1a(年)內(nèi)大橋即使無任何明顯的變化,其自振頻率的變化也可以達(dá)到10%[20]。有的研究表明,頻率模態(tài)對局部損傷的位置和程度都不敏感。不同位置、不同程度的損傷可能導(dǎo)致結(jié)構(gòu)模態(tài)頻率相同的變化[21]。
采用全局量可以判斷結(jié)構(gòu)是否損傷,而用于結(jié)構(gòu)損傷定位的物理參數(shù)需要選擇局域量,且需滿足四個(gè)基本條件[22],①對局部損傷敏感,且為結(jié)構(gòu)損傷的單調(diào)函數(shù)。②具有明確的位置坐標(biāo)。③在損傷位置,損傷標(biāo)識(shí)量應(yīng)出現(xiàn)明顯的峰值變化。④在非損傷位置,損傷標(biāo)識(shí)量或者不發(fā)生變化,或者變化幅度小于預(yù)定的閾值。
陸秋海[23]比較了六種不同輸入?yún)?shù)對于結(jié)構(gòu)損傷的敏感程度。得到的結(jié)論是,六種輸入?yún)?shù)對結(jié)構(gòu)損傷的敏感程度從低到高依次為:位移模態(tài)指標(biāo)、固有振動(dòng)頻率指標(biāo)、位移頻響函數(shù)指標(biāo)、曲率、應(yīng)變模態(tài)指標(biāo)以及應(yīng)變頻響函數(shù)指標(biāo)。相比較來看,應(yīng)變模態(tài)指標(biāo)是較好的結(jié)構(gòu)動(dòng)力損傷診斷的損傷識(shí)別標(biāo)識(shí)量,而且有對結(jié)構(gòu)局部損傷敏感的優(yōu)點(diǎn),可以用作大型土木結(jié)構(gòu)局部損傷定位的人工神經(jīng)網(wǎng)絡(luò)診斷輸入?yún)?shù)。
5. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)選擇
人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能實(shí)現(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型,是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。
人工神經(jīng)網(wǎng)絡(luò)發(fā)展幾十年來,形成了數(shù)十種網(wǎng)絡(luò),包括多層感知器,BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)共振理論和概率神經(jīng)網(wǎng)絡(luò)等等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同,應(yīng)用范圍業(yè)有所不同,但這些神經(jīng)網(wǎng)絡(luò)模型原則上講都可用來進(jìn)行結(jié)構(gòu)損傷診斷,只是存在簡單與復(fù)雜、穩(wěn)定與不穩(wěn)定、診斷效果高低與診斷結(jié)果好壞的差別。前面介紹的大型結(jié)構(gòu)基于神經(jīng)網(wǎng)絡(luò)的兩級(jí)損傷識(shí)別策略是采用以自適應(yīng)共振理論為基礎(chǔ)的自組織神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)。
建立大型土木結(jié)構(gòu)的智能健康監(jiān)測專家系統(tǒng),首先要建立損傷診斷的子系統(tǒng)。采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行記誒構(gòu)損傷診斷,首先要根據(jù)各種神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和適用范圍,選擇解決自己問題的合適模型,然后采用某種程序語言進(jìn)行編制。若采用商業(yè)化軟件建立損傷診斷子系統(tǒng),則不能很好地與信號(hào)采集系統(tǒng)及專家知識(shí)庫進(jìn)行有效鏈接,從而妨礙實(shí)施在線檢測與連續(xù)診斷。Matla現(xiàn)已成為國際上公認(rèn)的最優(yōu)秀的數(shù)值計(jì)算和仿真軟件,其強(qiáng)大的擴(kuò)展功能為各個(gè)領(lǐng)域的應(yīng)用提供了基礎(chǔ),由各個(gè)領(lǐng)域的專家在Matlab平臺(tái)上推出了30多個(gè)應(yīng)用的工具箱。神經(jīng)網(wǎng)絡(luò)工具箱是Matlab環(huán)境下所開發(fā)的許多工具箱之一,它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ),用Matlab語言構(gòu)造出各種神經(jīng)網(wǎng)絡(luò)算法。因此建立人工神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷診斷時(shí),利用Matlab語言可以減少工作量,提高效率。
參考文獻(xiàn):
[1] 李宏男,李東升. 土木工程結(jié)構(gòu)安全性評估、健康監(jiān)測及診斷述評[J]. 地震工程與工程振動(dòng). 2002(3): 82.
[2] 謝強(qiáng),薛松濤. 土木工程結(jié)構(gòu)健康監(jiān)測的研究狀況與進(jìn)展[R]. , 2001.
[3] 周智,歐進(jìn)萍. 土木工程智能健康監(jiān)測與診斷系統(tǒng)[J]. 傳感器技術(shù). 2001, 20(11): 1-4.
[4] 姜紹飛,周廣師,劉紅兢,劉明. 考慮不確定性因素的結(jié)構(gòu)損傷檢測方法[J]. 沈陽建筑工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2002(2): 85-87.
[5] 陳長征,羅躍剛等. 結(jié)構(gòu)損傷檢測與智能診斷[M]. 北京: 科學(xué)出版社, 2001.
[6] 張德文,魏阜旋. 模型修正與破損診斷[M]. 北京: 科學(xué)出版社, 1999.
[7] 段雪平, 朱宏平, 熊世樹. 神經(jīng)網(wǎng)絡(luò)在建筑物有限元模型修正中的應(yīng)用[J]. 噪聲與振動(dòng)控制. 2000(2): 11.
[8] 姜紹飛. 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷識(shí)別[M]. 北京: 科學(xué)出版社, 2002.
[9] 王柏生,倪一清,高贊明. 用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行解雇損傷位置識(shí)別[J]. 振動(dòng)工程學(xué)報(bào). 2001, 14(1): 60-64.
[10] 姜紹飛,倪一清,高贊明. 基于概率神經(jīng)網(wǎng)絡(luò)的青馬懸索橋定位的仿真研究[J]. 工程力學(xué). 2001: 965-969.
[11] 杜德潤. 地震作用下大體積混凝土結(jié)構(gòu)損傷識(shí)別研究[D]. 南京: 東南大學(xué), 2002.
[12] 王柏生,丁皓江,倪一清,高贊明. 模型參數(shù)誤差對用神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識(shí)別的影響[J]. 土木工程學(xué)報(bào). 2000(1): 50-55.
[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.
[14] 姜紹飛,付春,陳仲堂, 盛巖. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法[J]. 沈陽建筑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2005(2).
[15] 陳建林,郭杏林. 基于神經(jīng)網(wǎng)絡(luò)的簡支梁損傷檢測研究[J]. 煙臺(tái)大學(xué)學(xué)報(bào)(自然科學(xué)與工程版). 2001(3).
[16] 羅躍綱, 陳長征, 王占國. 鋼梁損傷的神經(jīng)網(wǎng)絡(luò)診斷分析[J]. 工業(yè)建筑. 2002(1).
[17] 羅躍綱, 劉紅兢, 王政奎. 鋼板結(jié)構(gòu)損傷對其動(dòng)力特性的影響研究[J]. 沈陽工業(yè)大學(xué)學(xué)報(bào). 2002(3).
[18] 郭國會(huì),易偉建. 基于神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)破損評估[J]. 重慶建筑大學(xué)學(xué)報(bào). 1999, 21(3): 106-121.
[19] 王柏生,倪一清,高贊明. 框架結(jié)構(gòu)連接損傷識(shí)別神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的確定[J]. 振動(dòng)工程學(xué)報(bào). 2000, 13(1): 137-142.
[20] 雷俊卿,錢冬生. 長大跨橋?qū)崟r(shí)監(jiān)測預(yù)警系統(tǒng)研究[J]. 公路. 2002(2): 1-4.
[21] 瞿偉廉,陳偉. 多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法[J]. 地震工程與工程振動(dòng). 2002, 22(1): 43-48.
[22] 董聰,范立礎(chǔ),陳肇元. 結(jié)構(gòu)智能健康診斷的理論與方法[J]. 中國鐵道科學(xué). 2002, 23(1): 11-24.
[23] 陸秋海. 基于應(yīng)變模態(tài)理論的結(jié)構(gòu)修改和損傷神經(jīng)網(wǎng)絡(luò)辨識(shí)法研究[D]. 北京: 清華大學(xué), 1997.
