基于GA—BP神經網絡的Benchmark模型損傷識別研究

吳璠++代李昊

摘 要：針對BP神經網絡存在收斂速度慢及網絡泛化能力差得缺點，影響結構損傷識別的精確度。本文采用遺傳算法對網絡的權值和閾值進行優化，提高神經網絡的收斂速度和泛化能力，從而提高識別精確度，采用Benchmark模型驗證該方法的有效性。

關鍵詞：遺傳算法；神經網絡；Benchmark模型；損傷識別

DOI：10.16640/j.cnki.37-1222/t.2017.09.219

0 引言

BP神經網絡是適合模擬損傷識別的有效方法之一[1]。但是傳統的BP神經網絡存在著收斂速度慢，泛化能力差等不足[2]，影響識別的精度。為此，本文提出了利用遺傳算法[3]優化BP神經網絡模擬損傷識別，利用遺傳算法對BP神經網絡的權值和閾值進行優化[4]，提高神經網絡的收斂速度和泛化能力，從而獲得更好的識別效果.本文以Benchmark模型[5]為研究對象，驗證該方法的可行性，如圖1所示。

1 Benchmark模型損傷識別

Benchmark是一個四層鋼框架結構，橫縱各兩跨，每跨1.25m，層高0.9m，分為桿，梁，斜撐三類構件。本文設計出7種工況，分別為一種類型桿件損傷，兩種類型桿件損傷，三種類型桿件損傷，各類桿件選取5根，擬定為40%的損傷程度。0表示為未損傷，1表示為損傷。

表1 損傷工況

Kaminskin PC[6]等提出結構的損傷位置只與其頻率有關，故本文采用頻率作為損傷指標，歸一化處理后作為神經網絡輸入參數。利用ANSYS有限元軟件獲取損傷前后的前6階頻率，共有6個輸入節點，輸出向量為三類桿件，為3個輸出節點，所以網絡結構為6-7-3。神經網絡訓練次數為500，最小誤差為1e-20。遺傳算法種群數目為30，進化次數為50，交叉概率為0.4，變異概率為0.2。根據表1每組工況隨機產生100組數據作為網絡的訓練樣本，共700組數據，其中訓練數據為693組，測試數據為7組，經GA-BP神經網絡和BP神經網絡仿真預測后，得到仿真結果如表2所示。

2 比較結果與分析

（1）由表2分析可得，兩種方法都能對結構的損傷做出準確識別，但經遺傳算法優化后BP神經網絡的識別效果比BP神經網絡識別結果更為精確，誤差小得多，更接近期望輸出。

（2）本文提出了一種基于 GA-BP網絡的結構損傷定位方法 ，利用 GA算法優化 BP網絡的結構權值，并用于結構損傷定位仿真預測。仿真結果表明：基于 GA-BP網絡損傷定位方法是可行的，且與BP網絡相比，識別精度更高。無論是對單個損傷還是多個損傷，均能給出正確的結果。

參考文獻：

[1]姬昕禹.基于神經網絡方法的模擬電路故障診斷應用研究[D].西北工業大學，2007.

[2]朱大奇，史慧.人工神經網絡原理及應用[M].北京：科學技術出版社，2006：25-30.

[3]楊海清.遺傳算法的改進及其應用研究[D].杭州：浙江工業大學，2004：18-20.

[4]王智平，劉在德等.遺傳算法在 BP 網絡權值學習中的應用[J].甘肅工業大學學報，2001（27）：20-22.

[5]徐德健.基于加速度響應的Benchmark結構損傷識別研究[D].重慶大學，2015.

[6]Kaminskin PC.The approximate location of damage through the analysis of natural frequencies with artificial neural networks.Journal of Process Mechanical Engineering 1995，209，117-123.

作者簡介：吳璠（1992-），男，安徽滁州人，碩士，研究方向：結構物的損傷識別研究。