利用概率神經網絡進行結構損傷識別的新進展

范進勝++蘇英志

【摘 要】對概率神經網絡用于結構損傷識別的工作原理進行了闡述，討論了利用概率神經網絡對結構進行損傷識別的進展情況，分析了已有研究中的優點和不足，對將來的研究方向提出了建議。

【關鍵詞】概率神經網絡；損傷識別；進展

0 引言

近年來，隨著城鎮化建設速度的飛速發展，大量高層建筑和大體型的公共建筑在城市里日益增多，這些建筑的安全性直接關系到巨大的社會影響性和經濟利益。由于結構原始的缺陷性和意外災害，這些建筑的部分構件往往會受到損傷，如果能及早發現建筑結構的損傷，并采取加固措施，則可以降低經濟損失和避免人員的傷亡。因此，結構的損傷識別技術研究日益受到人們的重視。

神經網絡由于具有較強的非線性映射能力和較強的魯棒性，所以非常適合于模式識別的工作。20世紀90年代以來，國內外學者對基于神經網絡進行結構損傷識別的理論和技術進行了大量的研究，并嘗試了BP神經網絡、RBF神經網絡、概率神經網絡、模糊神經網絡[1]等多種類型。本文對基于概率神經網絡進行結構損傷識別的研究進展進行討論，并對其將來研究方向提出建議。

1 概率神經網絡工作原理

概率神經網絡（PNN）是由Specht D F[2]在1990年提出來的一種人工神經網絡類型。概率神經網絡采用的是前向傳播算法，用指數函數來取代在神經網絡中使用較多的S型函數，和其他反向算法中的試探法不同，它是基于統計原理的概率密度函數的估計法。概率神經網絡是把具有Parzen窗口估計量的最小錯誤率貝葉斯決策放入神經網絡框架中，基于貝葉斯決策算法來判斷輸入向量的類別狀態。

Parzen窗口被用來估計核密度估計量的概率密度函數[1]，其表達式如式（1）所示 ：

f■（x）=■■exp[-■]（1）

式中： m是q類中的訓練樣本數量，p是樣本向量的維數，σ為光滑系數，X是輸入的待檢驗樣本向量，Xqi是q類中第i個訓練樣本。

概率神經網絡由輸入層、模式層、求和層和輸出層（競爭層）組成。輸入層的神經元個數是輸入向量的維數，待分類的向量是其神經元；模式層的激活函數是高斯函數，神經元個數是訓練樣本的個數；求和層的神經元個數是類別個數，該層的每一個神經元接收與其相連的給定類的所有模式層的輸出，將其按不同類別相加；競爭層輸出判決結果。

基于概率神經網絡進行結構損傷識別的基本思路是首先對結構可能發生的損傷情況劃分為若干種損傷模式，然后將從振動信號提取的損傷指標作為網絡的輸入向量，最后用識別出的損傷模式來判斷結構發生損傷的位置。

2 概率神經網絡用于結構損傷識別的研究進展

由于小波能量特征可以較好刻劃含有噪聲的信號特征，所以對結構響應信號進行小波變換，并用變換后的信號能量特征向量作為PNN的輸入向量，就構成了松散的WPNN，使其能更有效的進行結構損傷識別。

楊曉楠[3]通過比較小波函數的正交性和雙正交性、正則性等特性，選擇Mexican cat小波函數對結構加速度時程響應進行小波變換，然后將其作為概率神經網絡的輸入向量，對美國ASCE提出的一個12自由度的四層鋼框架剪切模型進行了損傷識別驗證。姜紹飛[4]以小波變換作為動力信號處理工具，采取小波基函數對加速度響應進行處理，提取小波能量作為損傷識別的特征參數，同時利用遺傳算法來優化PNN網絡模型中的圓滑參數，提出了自適應小波概率神經網絡，用小波能量特征向量作為APNN輸入向量，并加入不同水平的噪聲使其更真實的模擬現實工況，通過對一個框架模型的數值模擬驗證了該網絡的有效性。王勇[5]利用小波變換對結構動力不同頻段信號進行處理，然后作為概率神經網絡的輸入向量對一四層鋼框架進行了損傷識別。文中討論了小波變換的尺度個數與尺度大小對損傷識別結果的影響。算例表明當小波尺度的選擇范圍正好對應結構的頻率范圍時，可以明顯提高網絡的識別準確性。

為了消除多傳感器所采集的信息具有的冗余性，有些學者提出了數據融合技術。翁光遠[6]建立了基于小波概率神經網絡和數據融合技術的模型，利用ANSYS有限元程序模擬鋼筋混凝土懸臂板，用頻率變化率作為輸入向量對其進行了損傷識別。算例表明，這種WPNN與數據融合的損傷識別方法有良好的容錯性。王萬平[7]利用數據融合技術進行桁架結構損傷識別，他用Ansys有限元程序建立了桁架結構的計算模型， 然后取損傷前后的前六階固有頻率經過融合技術處理作為概率網絡的輸入向量，對所建立的模型進行了數值模擬。算例表明，對一處和兩處單元發生30%單元剛度折減的損傷情況都有較好的識別效果。

肖儀清[8]應用小波分析提取橋面的一階振型，從空間換時間的角度導出曲率模態乘子矩陣，將振型轉換為曲率模態差，并作為普適概率神經網絡的輸入參數，對濱州黃河大橋的鋁質縮尺模型的有限元模型進行了損傷識別。文中采用模擬脈動風荷載激勵斜拉橋振動，得到動力響應參數，使該方法的實用性大大提高。

禚一[9]提出分步損傷識別方法，以天津河北大街混合梁斜拉橋為例，首先采用概率神經網絡判定發生損傷的子結構位置，輸入向量選用正則化的頻率變化率，然后用徑向基神經網絡對有損傷的子結構中的局部構件進行進一步的損傷位置和程度的識別。采用這種組合網絡進行分階段的損傷識別效率較高，特別適用于大型結構的損傷識別。通過分步識別法，減少了每次損傷識別都要對所有構件同時進行損傷程度判定的工作量，也使識別的精度和準確性有了很大的提高。

3 結論

（1）概率神經網絡對訓練樣本的工況代表性較高，如何使訓練樣本全面包含可能出現的所有損傷類別對于損傷識別的準確性非常重要。因此訓練樣本的數量必然龐大，需要極大的存儲空間；

（2）輸入向量的選擇對于概率神經網絡的損傷識別效果也非常重要，在不同的結構類型下如何合理的選擇小波變換函數和數據融合技術，使測得的動力信號可以得到最優化的處理需要更深入的研究。

【參考文獻】

[1]姜紹飛.基于神經網絡的結構優化與損傷檢測[M].北京：科學出版社，2002.

[2]Specht D F.Probabilistic neural networks[J].Neural Networks，1990，3：109 -118.

[3]楊曉楠，姜紹飛，唐和生等.小波函數的選擇對結構損傷識別的影響[J].沈陽建筑大學學報（自然科學版），2005，21（6）：635-639.

[4]姜紹飛，張帥，楊曉楠，等.自適應小波概率神經網絡損傷識別方法[J].沈陽建筑大學學報（自然科學版），2006，22（1）：45-48.

[5]王勇，楊俊青，肇啟才，等.小波尺度選擇對鋼結構損傷識別的影響[J].山西建筑，2007，33（30）：99-100.

[6]翁光遠，王社良.懸臂板損傷數值模擬試驗與WPNN識別（下轉第68頁）（上接第51頁）方法[J].西安工業大學學報，2009，29（3）：290-293.

[7]王萬平，翁光遠，申偉等.桁架結構損傷識別的數據融合方法研究[J].工業建筑，2012，42（12）：129-132.

[8]肖儀清，李成濤.基于曲率模態和神經網絡的斜拉橋損傷識別[J].武漢理工大學學報，2010，32（9）：275-279.

[9]禚一，王菲.基于人工神經網絡的混合梁斜拉橋智能診斷方法研究[J].鐵道工程學報，2011，（12）：57-63.

[責任編輯：楊玉潔]