基于神經(jīng)網(wǎng)絡(luò)的大跨鋼結(jié)構(gòu)缺陷損傷的定位研究

熊仲明，王 超，林 濤

(1.西安建筑科技大學(xué) 土木工程學(xué)院，西安 710055;2.唐山市規(guī)劃建筑設(shè)計(jì)研究院，河北 唐山 063000)

大跨鋼結(jié)構(gòu)是常用的建筑結(jié)構(gòu)形式之一，廣泛應(yīng)用于體育館、候機(jī)廳、會(huì)展中心等大型公共建筑當(dāng)中。但是鋼結(jié)構(gòu)在服役過程中由于受外部環(huán)境的腐蝕、偶然超載、長期疲勞積累以及自身缺陷［1]等因素影響，結(jié)構(gòu)會(huì)出現(xiàn)損傷情況，嚴(yán)重時(shí)可能危及人們的生命財(cái)產(chǎn)安全，因此對大跨鋼結(jié)構(gòu)進(jìn)行損傷識(shí)別及安全評(píng)估方法的研究具有重要的現(xiàn)實(shí)意義。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種模仿人腦信息處理機(jī)制的網(wǎng)絡(luò)系統(tǒng)，以其處理信息的并行性、自組織、自學(xué)習(xí)性、聯(lián)想記憶功能以及很強(qiáng)的魯棒性和容錯(cuò)性等優(yōu)點(diǎn)，廣泛應(yīng)用于土木工程等諸多領(lǐng)域。應(yīng)用ANN的結(jié)構(gòu)損傷診斷方法不需要結(jié)構(gòu)動(dòng)力特性的先驗(yàn)知識(shí)，具有損傷診斷非參數(shù)的優(yōu)點(diǎn);它能夠通過訓(xùn)練學(xué)習(xí)，獲得隱含在樣本數(shù)據(jù)內(nèi)部的輸入與輸出之間的隱性關(guān)系，能夠?yàn)V除噪聲及在有噪聲情況下抽取事物本身內(nèi)在的特征，因而它比較適合對具有大量噪聲和測量誤差的結(jié)構(gòu)進(jìn)行在線健康監(jiān)測與狀態(tài)評(píng)估［2]。目前對結(jié)構(gòu)進(jìn)行模擬損傷檢測主要采用BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等人工神經(jīng)網(wǎng)絡(luò)。

(1)BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network，簡稱BP網(wǎng)絡(luò))由Rumelhart在1986提出。它是一種具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層(隱層)和輸出層，上下層之間實(shí)現(xiàn)全連接，而每層之間的神經(jīng)元無連接。BP網(wǎng)絡(luò)以其結(jié)構(gòu)簡單、可調(diào)參數(shù)多、訓(xùn)練算法多、可操控性好等特點(diǎn)廣泛的應(yīng)用于實(shí)際當(dāng)中，如模式識(shí)別、圖像處理、故障診斷等領(lǐng)域。

(2)概率神經(jīng)網(wǎng)絡(luò)(PNN網(wǎng)絡(luò))是根據(jù)貝葉斯分類規(guī)則與PARZEN的概率密度函數(shù)提出的。在訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)直接存儲(chǔ)訓(xùn)練樣本向量為網(wǎng)絡(luò)的模式樣本向量，不作任何修改。

(3)徑向基(RBF)網(wǎng)絡(luò)是一類以函數(shù)逼近理論為基礎(chǔ)，只有一個(gè)隱藏層的三層前饋神經(jīng)網(wǎng)絡(luò)。它具有構(gòu)造簡單，學(xué)習(xí)速度快，在隱含層神經(jīng)元足夠多的情況下可以任意精度逼近任何多元連續(xù)函數(shù)的特點(diǎn)，被廣泛的應(yīng)用于處理模式識(shí)別、數(shù)據(jù)分析、時(shí)間序列預(yù)測等問題中。

最早把神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程結(jié)構(gòu)損傷檢測和診斷的是美國Purdu大學(xué)的Venkatasubramanian和Chan，他們于1989年第一次運(yùn)用BP網(wǎng)絡(luò)進(jìn)行了結(jié)構(gòu)損傷檢測。國內(nèi)外學(xué)者近年來對神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程結(jié)構(gòu)損傷檢測和診斷進(jìn)行了大量研究，提出了很多具有現(xiàn)實(shí)意義的研究成果［4－13]，如1998年 Zhao等人使用對偶傳播神經(jīng)網(wǎng)絡(luò)完成對一根梁和一個(gè)框架的損傷定位，同時(shí)還研究了不同診斷特征參數(shù)對損傷定位的影響，如靜態(tài)位移、固有頻率、模態(tài)、來自模態(tài)的狀態(tài)矩陣等，同BP網(wǎng)絡(luò)相比，它的學(xué)習(xí)速度提高了幾個(gè)數(shù)量級(jí)。Catelsni等人成功運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了故障的自動(dòng)診斷與分類。Stefano等人于1999年提出了用概率神經(jīng)網(wǎng)絡(luò)產(chǎn)生貝葉斯分類的方法，利用神經(jīng)網(wǎng)絡(luò)良好的函數(shù)學(xué)習(xí)和歸納泛化能力對結(jié)構(gòu)系統(tǒng)的薄弱部位進(jìn)行檢測與診斷。Kaminsk以頻率的變化作為神經(jīng)網(wǎng)絡(luò)的輸入來近似識(shí)別損傷的位置，他研究了結(jié)構(gòu)固有頻率、損傷前后頻率變化比、標(biāo)準(zhǔn)化的損傷前后頻率變化比對損傷定位的影響，同時(shí)還討論了不同隱含層單元數(shù)對網(wǎng)絡(luò)性能的影響。陶寶祺等人把小波神經(jīng)網(wǎng)絡(luò)引入結(jié)構(gòu)損傷診斷領(lǐng)域，利用小波變換能將原始信號(hào)的頻段分解到一系列不同頻段內(nèi)的性質(zhì)，對結(jié)構(gòu)進(jìn)行損傷診斷。Wu［11]于1992年提出一種基于傅里葉譜的結(jié)構(gòu)損傷檢測方法，并應(yīng)用此方法對一棟3層建筑的開裂與無裂縫結(jié)構(gòu)進(jìn)行了損傷檢測，取得很好的效果。瞿偉廉、陳偉等［5]采用徑向基網(wǎng)絡(luò)對復(fù)雜框架結(jié)點(diǎn)的損傷位置和損傷程度進(jìn)行了分析研究。伍雪南、孫宋光等［13]將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到懸索橋的損傷定位，采用少量懸索局部模態(tài)的基頻獲得了較好的結(jié)果損傷檢測。從上面不難看出神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)損傷檢測有廣闊的發(fā)展前景，但上述研究僅僅對網(wǎng)絡(luò)的層數(shù)與隱含層單元數(shù)的設(shè)置以及迭代步長等參數(shù)確定影響的考慮，忽略了高階頻率對網(wǎng)絡(luò)的收斂速度及診斷精度的影響，缺乏對復(fù)雜結(jié)構(gòu)特別是像大跨鋼結(jié)構(gòu)這種缺陷敏感性較強(qiáng)并應(yīng)用于實(shí)際工程結(jié)構(gòu)的損傷監(jiān)測與診斷的方法與技術(shù)［3]的系統(tǒng)研究。

對此，本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)，以某高校體育場館的大跨鋼結(jié)構(gòu)為工程背景進(jìn)行模擬損傷定位研究，將該大跨結(jié)構(gòu)損傷定位問題分成損傷識(shí)別初步定位，損傷識(shí)別具體定位和損傷程度識(shí)別3個(gè)步驟。通過ANSYS計(jì)算軟件對該體育場館的大跨鋼結(jié)構(gòu)建模分析，得出了該結(jié)構(gòu)在損傷前后的模態(tài)參數(shù)，并將其結(jié)果作為網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行分析。為了提高神經(jīng)網(wǎng)絡(luò)模型對該結(jié)構(gòu)缺陷損傷判定的收斂速度及診斷精度，在進(jìn)行損傷識(shí)別時(shí)，將該大跨結(jié)構(gòu)細(xì)分成許多子結(jié)構(gòu)，縮小損傷的范圍，同時(shí)將高階頻率引入到不同的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，檢驗(yàn)其對該結(jié)構(gòu)及構(gòu)件損傷識(shí)別的影響，取得了較有意義的研究成果。

1 大跨鋼結(jié)構(gòu)模型的建立

1.1 工程簡介

本工程是西安建筑科技大學(xué)體育訓(xùn)練館，坐落于西安建筑科技大學(xué)5棟學(xué)生公寓南面，其結(jié)構(gòu)形式為單層輕型門式剛架，建筑面積約5 000 m2，建筑總長120 m，主要受力剛架的單跨最大跨度為46.5 m，高度13.7 m，抗震設(shè)防烈度為8度，場地類別二類，場地特征周期為0.4 s，結(jié)構(gòu)阻尼比取0.02，結(jié)構(gòu)安全等級(jí)二級(jí)，設(shè)計(jì)使用年限50年，構(gòu)件主梁變形控制值為L/400，結(jié)構(gòu)主剛架鋼材最大截面規(guī)格為H1180×300×12×20，系桿截面為H400×200×6×12，支撐截面為H300×200×8×12，材質(zhì)采用Q345B，其結(jié)構(gòu)平面布置如圖1所示。

圖1 大跨鋼結(jié)構(gòu)布置圖Fig.1 The layout of the long-span steel arch structure

1.2 大跨鋼結(jié)構(gòu)的數(shù)值模型

本文用ANSYS軟件建立該大跨鋼結(jié)構(gòu)體育館模型，部分桿件編號(hào)見圖2。其結(jié)構(gòu)的材料性質(zhì)分別為:彈性模量 E=2.1 ×E11 Pa，材料密度 7 850 kg/m3，泊松比0.3。計(jì)算得到該體育館無損傷時(shí)的前12階固有頻率分別是:H1=2.432 3 Hz，H2=2.896 9Hz，H3=3.030 6 Hz，H4=3.518 2 Hz，H5=3.705 0 Hz，H6=4.054 3 Hz，H7=4.872 2 Hz，H8=6.168 3 Hz，H9=6.276 4 Hz，H10=6.451 5 Hz，H11=6.781 3 Hz，H12=6.892 6 Hz。

圖2 桿件編號(hào)Fig.2 Rod pieces number

2 損傷識(shí)別初步定位

2.1 單損傷識(shí)別初步定位

結(jié)構(gòu)一根桿件剛度降低稱為單損傷情況。本體育館的結(jié)構(gòu)由梁、剛性系桿、支撐、抗風(fēng)柱、檁條五類桿件組成，由于抗風(fēng)柱和檁條對結(jié)構(gòu)影響不大，所以本文僅考慮梁、剛性系桿、支撐三類桿件的損傷情況。輸入目標(biāo)定義為一個(gè)三維向量用來區(qū)分桿件的所屬類別。梁、剛性系桿、支撐的損傷輸出向量分別定位為(1 0 0)、(0 1 0)、(0 0 1)。由于本體育館是一對稱結(jié)構(gòu)，所以僅取一半桿件為研究對象，以提高網(wǎng)絡(luò)的識(shí)別精度。

為了進(jìn)行單損傷識(shí)別初步定位，本文建立一個(gè)三層BP網(wǎng)絡(luò)和一個(gè)PNN網(wǎng)絡(luò)，采用以結(jié)構(gòu)頻率為基準(zhǔn)的標(biāo)準(zhǔn)化的頻率變化率NFCRi作為BP網(wǎng)絡(luò)和PNN網(wǎng)絡(luò)的輸入?yún)?shù)。隱含層的神經(jīng)元個(gè)數(shù)與網(wǎng)絡(luò)的輸入層神經(jīng)元之間采用:n2=2n1+1進(jìn)行試算。其中n1表示輸入層神經(jīng)元個(gè)數(shù)，n2表示隱含層神經(jīng)元個(gè)數(shù)。另外，隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tan sig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)log sig，訓(xùn)練函數(shù)為trainlm，訓(xùn)練次數(shù)定為10 000，訓(xùn)練目標(biāo)0.001，學(xué)習(xí)速率通過試算確定。為了檢測網(wǎng)絡(luò)的泛化能力，本文規(guī)定用來測試的樣本不能從訓(xùn)練樣本中選取，且選取范圍必須廣泛。

表1是單損傷訓(xùn)練樣本，共有40種分析工況。對于每種損傷情況，用ANASYS進(jìn)行結(jié)構(gòu)的模態(tài)分析，得出結(jié)構(gòu)損傷前后的前十二階固有頻率。表2是BP網(wǎng)絡(luò)與PNN網(wǎng)絡(luò)在不同頻率下網(wǎng)絡(luò)識(shí)別正確率的對比。

表1 單損傷訓(xùn)練樣本Tab.1 Samples of training single damage

表2 BP網(wǎng)絡(luò)與PNN網(wǎng)絡(luò)在不同頻率下網(wǎng)絡(luò)識(shí)別正確率的對比Tab.2 Contrast of identification accuracy in different frequency between BP network and PNN network

通過對表1和表2的綜合分析可以看出:

(1)BP神經(jīng)網(wǎng)絡(luò)取前六階結(jié)構(gòu)固有頻率作為基本參數(shù)進(jìn)行結(jié)構(gòu)損傷，損傷識(shí)別率為84%。對梁的識(shí)別率比較高，30根梁中只有4根存在識(shí)別誤差，占測試樣本中梁總數(shù)的13.3%，識(shí)別錯(cuò)誤的4根梁主要集中在結(jié)構(gòu)的邊緣和頂部;當(dāng)網(wǎng)絡(luò)取前九階結(jié)構(gòu)固有頻率作為基本參數(shù)進(jìn)行結(jié)構(gòu)損傷時(shí)，損傷識(shí)別率為87%，提高不是很大。當(dāng)網(wǎng)絡(luò)取前十二階結(jié)構(gòu)固有頻率作為基本參數(shù)進(jìn)行結(jié)構(gòu)損傷識(shí)別時(shí)，網(wǎng)絡(luò)識(shí)別率進(jìn)一步提高，達(dá)到90%。梁的識(shí)別率大幅提高，僅有2根梁存在識(shí)別誤差，占測試樣本中梁總數(shù)的7%，但剛性系桿和支撐識(shí)別率沒有提高;

(2)對于BP網(wǎng)絡(luò)，隱含層神經(jīng)元個(gè)數(shù)和學(xué)習(xí)速率對網(wǎng)絡(luò)影響比較敏感，取值范圍稍微過大就會(huì)導(dǎo)致網(wǎng)絡(luò)測試結(jié)果的正確率變化很大;

(3)PNN神經(jīng)網(wǎng)絡(luò)取前六階結(jié)構(gòu)固有頻率作為基本參數(shù)進(jìn)行結(jié)構(gòu)損傷識(shí)別，損傷識(shí)別率為86%。對梁的識(shí)別率相對BP網(wǎng)絡(luò)有所下降30根梁中有7根存在識(shí)別誤差，占測試樣本中梁總數(shù)的23%，識(shí)別錯(cuò)誤的7根梁同樣主要集中在結(jié)構(gòu)的邊緣和頂部，并且和BP網(wǎng)絡(luò)識(shí)別出的錯(cuò)誤信息基本相同，造成誤差的原因除了可能是網(wǎng)絡(luò)的識(shí)別誤差或是和梁所處的特殊位置造成以外，還有一點(diǎn)就是所選取梁的訓(xùn)練數(shù)據(jù)不足(訓(xùn)練樣本中梁的數(shù)目僅占梁的2%)。當(dāng)網(wǎng)絡(luò)取前九階結(jié)構(gòu)固有頻率作為基本參數(shù)進(jìn)行結(jié)構(gòu)損傷時(shí)，損傷識(shí)別率有了很大的提高，達(dá)到了94%，所有桿件識(shí)別率均有大幅度的提高，30根梁中僅有1根存在識(shí)別誤差，占測試樣本中梁總數(shù)的3%，而在對15根剛性系桿和支撐的識(shí)別中，2根存在識(shí)別誤差，占測試樣本總數(shù)的13%，可以看出PNN網(wǎng)絡(luò)對高階頻率和存在微小變化的數(shù)據(jù)比較敏感;

(4)PNN網(wǎng)絡(luò)對學(xué)習(xí)速率不是十分敏感，學(xué)習(xí)速率在一定范圍內(nèi)使網(wǎng)絡(luò)的識(shí)別正確率不會(huì)有多大變化。

2.2 雙損傷識(shí)別初步定位

當(dāng)有兩根桿件同時(shí)發(fā)生損傷時(shí)，稱之為雙損傷。根據(jù)前面對BP網(wǎng)絡(luò)和PNN網(wǎng)絡(luò)的比較，本文選用PNN網(wǎng)絡(luò)對雙損傷情況進(jìn)行損傷識(shí)別。輸入?yún)?shù)選取前9階固有頻率為基本參數(shù)的標(biāo)準(zhǔn)化的頻率變化率NFCRi。為了考慮同類桿件發(fā)生損傷的情況以及不同類桿件發(fā)生損傷的情況，本文建立兩個(gè)PNN網(wǎng)絡(luò)。

2.2.1 同類桿件損傷情況

PNN網(wǎng)絡(luò)訓(xùn)練樣本不再列表詳述，輸入目標(biāo)取前9階固有頻率為基本參數(shù)的標(biāo)準(zhǔn)化的頻率變化率NFCRi，由于篇幅有限，這里不再給出NFCRi的具體數(shù)值(下同)。輸出目標(biāo)定義為一個(gè)三維向量:剛性系桿間的損傷輸出向量定義為(1 0 0)，支撐之間的損傷輸出向量定義為(0 1 0)，梁之間的損傷輸出向量定義為(0 0 1)，學(xué)習(xí)速率取為0.8。網(wǎng)絡(luò)訓(xùn)練后運(yùn)用測試樣本進(jìn)行檢測，網(wǎng)絡(luò)識(shí)別正確率為89%，部分測試樣本及結(jié)果見表3。表3中理想輸出和實(shí)際輸出中的1代表(1 0 0)，2代表(0 1 0)，3代表(0 0 1)，判別結(jié)果中0代表錯(cuò)誤，1代表正確。

表3 部分雙損傷測試樣本及結(jié)果Tab.3 Samples and results of training double damage

2.2.2 不同類桿件損傷情況

輸入目標(biāo)同樣取前9階固有頻率為基本參數(shù)的標(biāo)準(zhǔn)化的頻率變化率NFCRi，學(xué)習(xí)速率取為1.4。網(wǎng)絡(luò)訓(xùn)練后運(yùn)用測試樣本檢測，網(wǎng)絡(luò)識(shí)別正確率為87%，對剛性系桿和支撐的組合識(shí)別正確率達(dá)到100%。從分析結(jié)果可見，單損傷識(shí)別精度明顯高于雙損傷識(shí)別，而且單損傷識(shí)別的PNN網(wǎng)絡(luò)具有更好的泛化能力和魯棒性。

3 損傷識(shí)別具體定位

本文采用RBF網(wǎng)絡(luò)進(jìn)行損傷識(shí)別具體定位，選取與損傷位置有關(guān)的函數(shù)——?dú)w一化的損傷信號(hào)指標(biāo)NDSIi及組合損傷指標(biāo) X={NFCR1，NFCR2，…，NFCRm，NDSI1，NDSI2，…，NDSIn}，并對比兩組參數(shù)在損傷識(shí)別具體定位中對網(wǎng)絡(luò)識(shí)別效果的影響。

3.1 單損傷識(shí)別具體定位

3.1.1 剛性系桿的具體損傷定位

結(jié)構(gòu)中剛性系桿標(biāo)號(hào)為529～638，為了方便網(wǎng)絡(luò)輸出，重新定義桿件編號(hào)為1～110。選取訓(xùn)練樣本，見表4，計(jì)算出每一種工況下結(jié)構(gòu)的前六階固有頻率和相應(yīng)節(jié)點(diǎn)的前一階振型，對數(shù)據(jù)進(jìn)行歸一化作為RBF網(wǎng)絡(luò)的輸入?yún)?shù)。

(1)以歸一化的損傷信號(hào)指標(biāo)作為網(wǎng)絡(luò)輸入向量的損傷識(shí)別

本文根據(jù)訓(xùn)練樣本見表4，輸入向量采用歸一化的損傷信號(hào)指標(biāo)NDSIi，學(xué)習(xí)速率經(jīng)過測試選用1.43進(jìn)行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練后運(yùn)用測試樣本檢測，識(shí)別正確率為83%，測試樣本及結(jié)果見表5。

表4 剛性系桿的具體損傷定位訓(xùn)練樣本Tab.4 Training samples of locating the damages of rigid rod pieces

表5 剛性系桿具體損傷定位測試樣本及結(jié)果Tab.5 Training samples and results of locating the damages of rigid rod pieces

(2)以組合損傷指標(biāo)作為網(wǎng)絡(luò)輸入向量的損傷識(shí)別

訓(xùn)練樣本取表 4 中的 1，28，35，70，100 五根桿件，輸入向量采用組合損傷指標(biāo)，學(xué)習(xí)速率經(jīng)過測試選用0.98。網(wǎng)絡(luò)訓(xùn)練后運(yùn)用測試樣本檢測，識(shí)別正確率達(dá)到85%，識(shí)別出的桿件大多集中在結(jié)構(gòu)邊緣和振型位移小的部位。

3.1.2 支撐的具體損傷識(shí)別定位

對支撐的識(shí)別定位過程同剛性系桿的定位過程，由于篇幅有限不再詳述。結(jié)果表明，當(dāng)采用歸一化的損傷信號(hào)指標(biāo)NDSIi作為網(wǎng)絡(luò)輸入向量進(jìn)行具體損傷定位時(shí)，在所有的支撐中識(shí)別正確率為82%。識(shí)別出的桿件全部集中在位移變化比較平緩的支撐跨內(nèi)。當(dāng)采用組合損傷指標(biāo)作為輸入向量進(jìn)行支撐的損傷定位時(shí)，識(shí)別正確率為86%，略有提高。

3.1.3 梁的具體損傷識(shí)別定位

對梁的識(shí)別定位過程同剛性系桿的定位過程。計(jì)算結(jié)果表明，當(dāng)采用歸一化的損傷信號(hào)指標(biāo)NDSIi作為網(wǎng)絡(luò)輸入向量進(jìn)行具體損傷定位時(shí)，能夠完全正確定位梁編號(hào)的正確率為82%。當(dāng)采用組合損傷指標(biāo)作為輸入向量進(jìn)行支撐損傷定位時(shí)，能夠完全正確定位梁編號(hào)的正確率為89%。

3.2 雙損傷識(shí)別具體定位

識(shí)別步驟同單損傷具體定位類似。本文只考慮兩根剛性系桿同時(shí)損傷的情況。網(wǎng)絡(luò)的輸入?yún)?shù)仍然選用歸一化的損傷信號(hào)指標(biāo)NDSIi和組合損傷指標(biāo)。

(1)以歸一化的損傷信號(hào)指標(biāo)NDSIi作為網(wǎng)絡(luò)輸入向量的損傷識(shí)別，學(xué)習(xí)速率經(jīng)過測試取0.36。分析結(jié)果表明，網(wǎng)絡(luò)正確識(shí)別率為80%。測試樣本及結(jié)果見表6。

(2)用組合損傷指標(biāo)作為網(wǎng)絡(luò)輸入向量進(jìn)行雙損傷桿的具體損傷定位時(shí)，正確識(shí)別率85%，識(shí)別出的錯(cuò)誤桿件與原桿件位置比較接近。

分析結(jié)果表明，損傷識(shí)別具體定位沒有初步定位正確率高，桿件數(shù)量和振型位移對識(shí)別效果影響很大;采用組合損傷指標(biāo)時(shí)能夠提高網(wǎng)絡(luò)的識(shí)別正確率。

表6 雙損傷剛性系桿測試樣本及網(wǎng)絡(luò)實(shí)際輸出損傷桿件編號(hào)Tab.6 Samples of training double damages of rigid rod pieces and numbers of the damage rod pieces supplied by the network

4 損傷程度識(shí)別

完成初步定位和具體定位后，再確定桿件的損傷程度。本文仍然采用RBF網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入向量選取頻率平方變化比NFSRi。

4.1 單損傷識(shí)別

表7是單損傷識(shí)別時(shí)，訓(xùn)練樣本的學(xué)習(xí)速率及測試樣本和部分桿件結(jié)果。從表7可以看出，本文僅采用五種損傷程度下的損傷桿件樣本進(jìn)行訓(xùn)練后，就獲得了損傷桿件在整個(gè)損傷范圍內(nèi)的損傷程度。計(jì)算結(jié)果表明，無論是外推值還是內(nèi)插值都與理論值比較吻合，對低損傷情況的識(shí)別程度不夠理想。

4.2 雙損傷識(shí)別

雙損傷桿件損傷程度識(shí)別同單損傷步驟類似，這里僅考慮桿之間的雙損傷組合，選用的神經(jīng)網(wǎng)絡(luò)和網(wǎng)絡(luò)輸入向量同單損傷損傷程度識(shí)別，由于篇幅有限訓(xùn)練過程不再詳述。分析可見單損傷桿件損傷程度測試的識(shí)別精度明顯高于雙損傷桿件損傷程度測試的識(shí)別精度。

表7 單損傷損傷程度測試樣本及桿件部分結(jié)果Tab.7 Training samples of damage degree of singe damages and results of some rod pieces

5 結(jié)論

本文通過基于模態(tài)分析的神經(jīng)網(wǎng)絡(luò)損傷檢測方法，研究了大跨鋼結(jié)構(gòu)的損傷識(shí)別定位問題，得出以下主要結(jié)論:

(1)分析結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)技術(shù)對大大跨鋼結(jié)構(gòu)這種復(fù)雜結(jié)構(gòu)進(jìn)行損傷檢測是可行的，且網(wǎng)絡(luò)識(shí)別精度有了很大的提高。

(2)計(jì)算結(jié)構(gòu)表明，采用BP網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行結(jié)構(gòu)損傷初步定位時(shí)，BP網(wǎng)絡(luò)對高階頻率不是很敏感，而 PNN網(wǎng)絡(luò)的識(shí)別效果明顯好于BP網(wǎng)絡(luò)，體現(xiàn)出PNN網(wǎng)絡(luò)在解決分類問題方面的優(yōu)越性。

(3)分析結(jié)果表明，神經(jīng)網(wǎng)絡(luò)對單損傷的識(shí)別效果要明顯優(yōu)于雙損傷情況，樣本數(shù)量增多會(huì)降低網(wǎng)絡(luò)的識(shí)別精度，同時(shí)網(wǎng)絡(luò)識(shí)別的效果受結(jié)構(gòu)桿件所處的位置以及振型位移的大小因素的影響。

(4)分析結(jié)果表明，在進(jìn)行損傷識(shí)別具體定位時(shí)，采用組合損傷指標(biāo)的網(wǎng)絡(luò)識(shí)別效果要優(yōu)于僅采用單一損傷指標(biāo)的網(wǎng)絡(luò)，集合多個(gè)參數(shù)優(yōu)點(diǎn)的組合指標(biāo)能夠更好的進(jìn)行損傷識(shí)別。

(5)分析結(jié)果表明，為了達(dá)到了一定精度，采用部分節(jié)點(diǎn)的低階振型和組合指標(biāo)作為參數(shù)進(jìn)行損傷識(shí)別，在復(fù)雜結(jié)構(gòu)缺失部分振型的情況下是可行的。

［1] 熊仲明，韋 俊，曹 欣，等.46.5m大跨度弧形鋼拱結(jié)構(gòu)的穩(wěn)定及其缺陷影響分析［J] .工程力學(xué)，2009，26(11):172－178.

［2] 李志寧.神經(jīng)網(wǎng)絡(luò)在框架結(jié)構(gòu)損傷診斷中的應(yīng)用研究［D] .武漢:武漢理工大學(xué)，2007.

［3] 姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測［M] .北京:科學(xué)出版社，2002.

［4] 張紅雷.基于動(dòng)態(tài)特性的結(jié)構(gòu)損傷診斷若干關(guān)鍵問題研究［D] .南京:東南大學(xué)，2006.

［5] 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.

［6] 高維成，劉 偉.網(wǎng)殼結(jié)構(gòu)損傷識(shí)別的數(shù)值模擬及試驗(yàn)研究［J] .工程力學(xué)，2006，23(10):111 －117.

［7] 王興林.基于徑向基網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別［D] .南京:南京航空航天大學(xué)，2005.

［8] Abdo M A B，Hori M.A numerical study of structural damage detection using changes in the rotation of mode shapes［J] .Journal of Sound and Vibration，2002，251(2):227 －239.

［9] Rytter A.Viberation based inspection of civil engineering［D] .University of Alborg，Denmark，1993.

［10] Mehrjoo M，Khaji N，Moharrami H，et al.Damage detection of truss bridge joints using artificial neural networks［J] .Expert Systems with Applications，1992，42:649 －659.

［11] Wu X，Ghaboussl J，Garretl J H.Use of neural networks in detection of structural damage［J] .Structure Computer＆Structure，1992，42(4):649 －659.

［12] 李宏男，高東偉，伊延華.結(jié)構(gòu)健康監(jiān)測系統(tǒng)的研究狀況與進(jìn)展［J] .力學(xué)進(jìn)展，2008，38(2):5－10.

［13] 伍雪南，孫宗光，畢 波，等.基于吊索局部振動(dòng)與神經(jīng)網(wǎng)絡(luò)技術(shù)的懸索橋損傷定位［J] .振動(dòng)與沖擊，2009，28(10):203－206.