基于RBF神經網絡的結構損傷識別方法研究進展★

范進勝 蘇英志 吳會閣

(1.石家莊經濟學院勘查技術與工程學院，河北 石家莊 050031；2.邢臺職業技術學院，河北 邢臺 054000)

基于RBF神經網絡的結構損傷識別方法研究進展★

范進勝1蘇英志2吳會閣1

(1.石家莊經濟學院勘查技術與工程學院，河北 石家莊 050031；2.邢臺職業技術學院，河北 邢臺 054000)

闡述了徑向基神經網絡(RBF網絡)用于結構損傷識別的工作原理，介紹了國內外學者利用RBF神經網絡對結構進行損傷識別的研究進展，從網絡輸入參數、網絡算法、結構建模等方面，分析了該方法的優點和存在的問題，指明了進一步研究的方向。

RBF網絡，結構損傷識別，輸入參數

1 概述

隨著社會和經濟的發展，我國的建筑業在近十年得到了飛速的發展，大量大體型和結構復雜的建筑不斷建成，尤其是一二線城市，高層和超高層的數量迅速上升。建筑的安全關系著巨大的經濟利益和社會影響，二十世紀八九十年代的樓房由于臨近設計使用年限而且大部分是受力性能較差的磚混結構，因此時有事故發生。此外由于地震等意外災害，也會造成建筑的損傷，從而造成巨大的財產和生命損失。因此，加強建筑的安全監測和損傷識別鑒定具有重大的現實意義。

工程結構的損傷檢測和識別有靜力法和動力法兩種。對于結構局部和外觀損傷，靜力法具有檢測簡便，測量精確，實踐經驗豐富等優點，而對于結構隱蔽部位和大型復雜結構，需要檢測的構件比較多的時候，相對于靜力法，動力法獲得結構的振動響應參數去判斷結構的損傷具有更大的優勢。神經網絡具有很強的魯棒性和糾錯性，其強大的非線性映射關系使其對于模式識別具有很好的能力，因此國內外學者對基于神經網絡的結構損傷識別進行了大量研究，發展了BP網絡、RBF網絡、模糊神經網絡、概率神經網絡、自組織神經網絡等模型。本文對基于RBF網絡的結構損傷識別的發展狀況進行探討。

2 RBF網絡工作原理

徑向基神經網絡(簡稱RBF網絡)屬于前饋型神經網絡，和發展比較早的BP網絡結構類似。RBF 網絡同樣包含三層，第一層是輸入層，由信號源節點組成；第二層是隱含層，單元個數由結構規模和形式而定，其變換函數是非負非線性函數；第三層是輸出層，輸出模式識別結果。圖1是一個典型的三層RBF神經網絡結構。

RBF網絡一般使用高斯核函數作為傳遞函數，表達式如下：

(1)

式中：Ri——隱含層第i個單元的輸出；

ci——其中心；

σi——寬度；

x——輸入模式。

RBF網絡用于結構損傷識別的流程如下：首先用動力響應法得到對損傷比較敏感的模態參數，如頻率、周期、振型、模態曲率、位移等，對這些模態參數進行規范化處理后作為網絡的輸入向量，而結構的損傷位置和程度作為輸出向量，結構的損傷必然造成結構模態參數的改變，然后把這種損傷前后的變化用損傷程度來表示，做成訓練樣本對網絡進行訓練，訓練好的網絡用檢測樣本進行網絡的測試，如果誤差在允許范圍內則該網絡具有可行性。否則對網絡的單元數和算法進行改進，直到得到理想的結果。

3 國內外學者研究進展

3.1 采用單一損傷參數

在已有的文獻中，饒文碧等[1]較早采用了徑向基網絡對結構損傷識別進行了研究。網絡學習方法選擇了正交最小二乘法，該算法精度高，運算速度快而且簡單易行，用處理后的頻率向量作為輸入向量，對一簡支梁的單處損傷及多處損傷進行識別。算例結果與BP網絡進行了比較，認為RBF 網絡及其 OLS 學習方法在學習速度上更快，辨識結果的誤差更小，說明RBF網絡具有更好的實用性和推廣性。王根會等[2]基于頻率參數，闡述了RBF網絡的調用及其函數中心和寬度的確定方法，以一座裝配式預應力鋼筋混凝土系桿拱橋為例，驗證了該方法的可行性和準確性。張麗梅等[3]應用一階單元應變模態差作為RBF網絡的輸入值，對正放四角錐和正六邊形蜂窩形三角錐網架結構分別進行損傷識別，結果證明該方法對網架的損傷檢測具有很好的實用價值。單一損傷參數在測量和計算上較為簡便。

3.2 采用組合參數

袁旭東[4]將部分節點靜力位移以及結構前幾階固有頻率結合起來作為網絡輸入參數，利用徑向基網絡對結構進行了損傷識別的數值模擬研究，著重研究了觀測自由度不完整情況下不同數據誤差水平以及選取的頻率數量對損傷程度識別結果的影響。算例表明，隨著選取頻率數量的增多，損傷程度識別的精度相應也會提高。

王興林[5]選用了頻率指標和曲率模態指標進行組合作為結構損傷識別的參數，他把頻率變化率和模態曲率變化作為徑向基網絡的輸入向量對簡支工字鋼梁和斜拉橋進行了損傷識別，結果顯示組合參數的識別效果較好，對大型復雜結構RBF網絡的損傷識別能力仍然很好。

馮清海等[6]取以成橋試驗為基礎的結構校正系數以及裂縫開裂度和鋼筋銹蝕率等評價指標作為RBF網絡的輸入向量，對鋼管混凝土拱橋進行了損傷識別，并以武漢市晴川橋作為工程實例進行了驗證，結果表明該方法切實可行。

3.3 采用組合網絡進行分步損傷識別

瞿偉廉等[7]利用概率神經網絡先定損傷位置，然后采用前兩階桿端應變模態變化量作為輸入參數，建立徑向基神經網絡對結構節點損傷程度進行識別，文中用10層鋼筋混凝土框架結構進行了仿真分析，結果顯示，對于多層和高層復雜框架結構節點損傷的識別，高階的應變模態變化量效果更好。

林濤[8]用BP網絡和概率神經網絡先對結構損傷進行初步判別，然后計算出結構的前六階固有頻率和相應節點的一階振型，作為RBF網絡的輸入參數，對一個單層輕型門式剛架進行了計算驗證。組合神經網絡可以發揮不同網絡類型在模式識別和計算速度方面的優點，互為補充。

4 結語

通過上述分析發現存在的問題并提出進一步研究建議：

1)建模誤差。

在許多研究算例里所建立的模型都是采用平面模型，作為理論測試對象這種模型可以采用，但是相比于實際工程結構，尤其是大型結構，結構的空間作用是不能忽略的。此外，一些模型在支座形式、邊界條件和結構形式簡化上也存在與實際結構不相符之處，因此在結果分析時應該把建模的誤差考慮進去，做出相應的修正，從而使該方法得到更好的使用與推廣。

2)參數選取。

RBF網絡的輸入向量最初的研究多為單一參數，最近的發展趨勢采用組合參數居多。以往的研究定性分析的比較多，而對于同類結構如果能有比較具體的定量分析指標，對參數的選取根據其測量計算的難易給出一個經濟性指標，對于制訂RBF網絡用于結構損傷識別的規程性文件將大有益處。

3)網絡建立。

網絡訓練樣本數量對于網絡的訓練時間和收斂速度影響很大，對于復雜結構如何得到一個合理的樣本規模仍需深入的研究，此外采用何種算法可以使網絡的預測取得更好的效果也需要進一步研究。

[1] 饒文碧,吳代華.RBF神經網絡及其在結構損傷識別中的應用研究[J].固體力學學報,2002,23(4):477-482.

[2] 王根會,武海廣,胡良紅，等.基于RBF神經網絡設計的橋梁結構損傷識別方法研究[J].蘭州交通大學學報,2006,25(4):18-23.

[3] 張麗梅,劉衛然,張立偉，等.基于單元應變模態差和RBF神經網絡的網架損傷檢測方法[J].河北科技大學學報,2013,34(1):79-85.

[4] 袁旭東.基于不完備信息土木工程結構損傷識別方法研究[D].大連：大連理工大學,2005.

[5] 王興林.基于徑向基網絡的結構損傷識別[D].南京：南京航空航天大學,2006.

[6] 馮清海,劉沐宇,袁萬城，等.基于徑向基網絡的鋼管混凝土拱橋安全性評價方法[J].公路交通科技,2009,26(8):67-72.

[7] 瞿偉廉,陳 偉,李秋勝，等.基于神經網絡技術的復雜框架結構節點損傷的兩步診斷法[J].土木工程學報,2003,36(5):37-45.

[8] 林 濤.大跨鋼結構缺陷損傷的測定方法的研究[D].西安：西安建筑科技大學,2009.

Research progress of structural damage identification method based on RBF neural network★

Fan Jinsheng1Su Yingzhi2Wu Huige1

(1.CollegeofExplorationTechnologyandEngineering,ShijiazhuangUniversityofEconomies,Shijiazhuang050031,China;2.XingtaiCollegeofProfessionalTechnology,Xingtai054000,China)

The paper adopts the working principle of RBF neural network for the structural damage identification,introduces the RBF neural network to undertake the damage identification of the structures by the experts at home and abroad,and analyzes the advantages and problem of the method from the network input parameter,network calculation and structural framework,so as to indicates its orientation.

RBF neural network,structural damage identification,input parameter

2015-10-16★：河北省教育廳高等學校科學技術研究項目(項目編號：Z2012137)

范進勝(1979- )，男，碩士，講師

1009-6825(2015)36-0032-02

TU312.3 < class="emphasis_bold">文獻標識碼：A

A