基于模态数据和神经网络的框架结构动力诊断研究_硕士学位论文（pdf格式可编辑）.pdf

L 基于模态数据和神经网络的框架结构动力诊断研究 摘要 结构的损伤识别与健康检测是近年来国际上的研究热点，而人工神经网络方 法也是近年来的热门研究课题，涉及土木工程的各个领域，在结构损伤检测中尤 其意义重大。本文基于试验模态数据和人工神经网络方法，对框架结构斜支撑进 行识别。 本文首先在实验室中对框架结构模型进行斜支撑设置，即在不同的位置设置 钢支撑。然后对框架结构的初始状态、各种斜支撑情况进行了位移模态试验，不 仅得到了结构比较容易获得的平动模态，还成功的获取了较难得到的扭转模态信 息。本文首先直接利用模态信息，即基于结构的扭转振型图提出了一个初步确定 斜支撑所在楼层位嚣的指标，但是该指标只是对非对称的斜支撑情况识别效果较 好。 本文利用神经网络方法来识别所有支撑的楼层位置及刚度。为了更准确的对 框架结构进行识别，可综合利用平动模态及扭转模态的数据作为神经网络的输入 向量，本文提出了一个新的组合指标作为其输入向量。为了使得神经网络的训练 样本更真实，本文必须首先利用框架结构初始状态的试验值，对其进行模型修正。 修正后的模型经S A P 2 0 0 0 软件分析，其计算值与试验值相吻合。模型修正后， 本文基于神经网络的多重分步识别方法，对斜支撑进行位置及截面刚度的识别。 该方法将支撑位置的识别与支撑刚度的识别分开来，即首先确定支撑的层位置， 然后在已知层内确定支撑的具体位置，最后才识别支撑的截面刚度。采用这一方 法可以大大减少学习样本，提高学习效率。位置的确定采用P N N 神经网络，截 面刚度的识别采用R B F 神经网络。经过验证后，发现支撑识别的结果与试验结 果吻合良好。 关键词：框架结构；斜撑识别；扭转模态；神经网络 硕l ：学位论文 A b s t r a c t D a m a g ei d e n t if i c a t i o na n dh e a l t hm o n i t o r i n go ft h es t r u c t u r e sh a v eb e c o m ea n i n t e r n a t i o n a lr e s e a r c hf o c u si nr e c e n ty e a r s ，a n dS Oi st h ea r t i f i c i a ln e u r a ln e t w o r k w h i c hi su s e di na l la r e a so fc i v i l e n g i n e e r i n ga n di se s p e c i a l l ys i g n i f i c a n ti n s t r u c t u r a ld a m a g ed e t e c t i o n B a s e do nt h ee x p e r i m e n t a lm o d a ld a t aa n da r t i f i c i a l n e u r a ln e t w o r km e t h o d ，t h es w a yb r a c ei nt h ef r a m e w o r ks t r u c t u r ei si d e n t i f i e di n t h i sp a p e r F i r s t l y ，t h es w a yb r a c ew a ss e tf o rt h ef r a m es t r u c t u r em o d e li nt h el a b o r a t o r y , t a k i n gt h em e t h o do fs e t t i n gs t e e ls u p p o r t si nd i f f e r e n tl o c a t i o n s S e c o n d l y ，m o d e t e s t sw e r ec a r r i e do u to nt h i sf r a m es t r u c t u r eo fd i f f e r e n ts w a yb r a c el o c a t i o n st og e t t h ei n i t i a ls t a t ed a t a N o to n l yt h et r a n s l a t i o n a lm o d ew a sg o ti nt h et e s t ，b u tt h e t o r s i o n a lm o d ew a sa l s og o t A ni n d e xw a sp r o p o s e dt od e t e r m i n ew h i c hf l o o rt h e s w a yb r a c ei Si n ，b a s e do nt h em o d a ld a t ao ft o r s i o n a lm o d es h a p e s H o w e v e r t h e i n d e xc o u l do n l yb eu s e di nt h ei d e n t i f y c a t i o no ft h ea s y m m e t r i c a ls w a yb r a c e T h e nw eu s e dn e u r a ln e t w o r km e t h o dt oi d e n t i f ys y m m e t r i c a la n da s y m m e t r i c a l s u p p o r t s M o r e o v e r , t h ed a t ao ft r a n s l a t i o n a lm o d ea n dt o r s i o nm o d ew e r eu s e dt ob e a ni n p u tv e c t o rf o ri d e n t i f y i n gt h ef r a m es t r u c t u r em o r ea c c u r a t e l y T h u st h i sp a p e r p r o p o s e dan e wc o m b i n a t i o ni n d e xm a r kf o rw o r k i n ga st h ei n p u tv e c t o r I no r d e rt O m a k et h et r a i n i n gs a m p l e so fn e u r a ln e t w o r km o r er e a l ，f i r s t l yt o o kt h ee x p e r i m e n t a l d a t ao ft h ei n i t i a ls t a t eo ft h ef r a m es t r u c t u r et ou p d a t et h em o d e l T h e na n a l y z e dt h e m o d e lb yS A P 2 0 0 0s o f t w a r e ，f o u n dt h a ti tw a sc o n s i s t e n tw i t ht h ee x p e r i m e n t a ld a t a A f t e ru p d a t i n gt h em o d e l ，t h i sp a p e rc a r r i e do u tt h ee x p e r i m e n to fi d e n t i f y i n gt h e p o s i t i o na n ds e c t i o ns t i f f n e s so fs t e e ls u p p o r tb a s e do nt h en e u r a ln e t w o r km u l t i s t e p i d e n t i f i c a t i o nm e t h o d T h i sm e t h o dd i s t i n g u i s h e dt h ei d e n t i f i c a t i o no f l a y e rl o c a t i o n s f r o mt h a to ft h es e c t i o ns t i f f n e s s F i r s tw em a d es u r et h el a y e rp o s i t i o no ft h es u p p o r t ， a n dt h e nd e f i n e dt h es p e c i f i cp o s i t i o no fs u p p o r ti n s i d et h el a y e rw h i c hi sk n o w n L a t e rw ec a r r i e do u tt h ei d e n t i f i c a t i o no fs e c t i o ns t i f f n e s so ft h es u p p o r t T h u sc o u l d r e d u c et h es t u d ys a m p l eb yt a k i n gt h i sm e t h o da n di m p r o v et h es t u d ye f f i c i e n c y H e r eu s e dt h eP N Nn e u r a ln e t w o r kt od e t e r m i n et h e p o s i t i o na n dR B Fn e u r a l n e t w o r ki d e n t if yt h es e c t i o ns t if f n e s so fs t e e l s u p p o r t s A tl a s t ，a n a l y z e dt h e i d e n t i f i e dm o d e lb yS A P2 0 0 0 ，i tw a sf o u n dt h a t t h er e s u l to ft h en u m e r i c a l s i m u l a t i o na n dt h er e s u l to ft h ee x p e r i m e n tw a si n f l u e n c e d 基十模态数据和神经嗍络的框架结构动力诊断研究 K e yW o r d s ：F r a m es t r u c t u r e ；S w a yb r a c ei d e n t i f i c a t i o n ；T o r s i o nm o d e ；N e u r a l n e t w o r k 硕I ：学位论文 目录 湖南大学学位论文原创性声明I 摘要I I A b s t r a c t I l l 目录V 第1 章绪论1 1 1 研究背景1 1 2 结构的振动测试及模态参数识别方法1 1 3 国内外损伤识别研究现状2 1 3 1 基于动力学模型的无反演损伤识别方法3 1 3 2 模型修正方法及其在损伤识别中的应用4 1 3 3 基于人工智能神经网络的模型修正及损伤识别方法5 1 4 本文研究内容及意义1 第2 章框架结构的振动测试1 0 2 1 试验研究的目的和内容1 0 2 2 试验模型及斜撑设置1 0 2 3 框架结构振动测试1 2 2 3 1 试验概况一1 2 2 3 2 试验结果15 2 3 3 斜支撑楼层位置的初步识别结果2 2 2 4 本章小结2 6 第3 章神经网络方法介绍及输入向量的选择2 8 3 1 神经网络方法的应用2 8 3 2 径向基神经网络介绍2 9 3 2 1 网络结构2 9 3 2 2 常用函数一2 9 3 2 3 训练过程2 9 3 3 概率神经网络的介绍3 2 3 4 神经网络样本数据的归一化处理3 3 3 5 神经网络输入向量的选择3 4 3 5 1 输入参数的选择3 4 3 5 2 数值模拟分析3 6 V L 幕于模态数据和神经网络的框架结构动力诊断研究 3 6 本章小结3 8 第4 章框架结构的模型修正及斜支撑识别3 9 4 1 框架结构的动力模型修正3 9 4 2 框架结构斜支撑的多重分步识别4 2 4 2 1 多重分步识别理论4 2 4 2 2 斜支撑的楼层位置确定4 2 4 2 3 斜支撑具体位置确定4 4 4 2 4 斜支撑截面刚度的识别4 5 4 3 本章小结5 0 结论与展望5 1 参考文献5 3 致谢5 7 V I 硕一l ：学位论文 1 1 研究背景 第1 章绪论 建筑结构从建成到实际使用的过程当中，有的总是会受到火灾、地震、以及 洪水等各种自然灾害的影响而出现破坏，那么检测灾后重要结构的安全性与可靠 性是很迫切的。如19 9 4 年1 月l7 日，美国加州N o r t h r i d g e 大地震和2 0 0 8 年5 月1 2 日中国汶川大地震中，一些建筑物在遭受主震后并未倒塌却在后来的余震 作用下倒塌了。对于结构的整体性能，损伤监测可以分为静力方法及动力方法两 种，相对于静力方法，动力测试简便，可以获取丰富的信息，更能方便的对结构 损伤进行在线监测与诊断。如何利用现场的无损传感技术和结构系统的特性分析 ( 包括结构的响应) ，以达到检测结构损伤或退化的一些变化，这就是结构健康监 测需要解决的问题。通过对结构进行动力测试，利用结构的动力反应或模态参数 的变化，采用参数识别的方法确定结构的损伤位置和程度，是现代结构安全性检 测理论研究的前沿课题。近年来对原有建筑物进行结构损伤检测与评估更加受到 人们的重视( 如2 0 0 5 年1 月，第二届国际智能结构健康监测会议在中国深圳召 开) ，并迅速发展成为一个极其重要的科学分支l l J 。 1 2 结构的振动测试及模态参数识别方法 目前国内外一般都是对结构施以动态激励，使结构产生动态响应来进行动 力测试。而常见的动态激励方法有振动台激励、激振器激励、力锤激励、火箭激 励、卸载法、环境激励等等。而结构的响应与激励之间的关系则反映了结构的动 态特性，所以振动测试的目的就是要获得结构的动态特性，主要包括结构的固有 频率，振型以及阻尼等1 2 l 。目前结构模态实验方法主要有位移模态方法及应变模 态方法。 振动测试后，要获取结构的动态特性，模态参数的识别是模态分析的核心 部分。模态参数识别的方法主要分为频域模态参数识别和时域模态参数识别以及 时频法。 通过振动测试获得的传递函数曲线，是频域法模态参数识别的根据，它表示 的是激励力和测量点响应的关系。在单点激励下，可获得频响函数矩阵的一列， 若是逐个识别频响函数，则称为单输入单输出法( S I S O 法) 。若同时识别频响函 数矩阵中的一列，称为单输入多输出法( S I M O 法) 。若对系统进行多点激励试 验，可得频响函数的多列，此为多输入多输出法( M I M O 法) 。 基于模态数据和神经网络的框架结构动力诊断研究 频域模态参数识别方法主要有频域单模态识别法，最小二乘法，K l o s t e r m a n 迭代法，L e v y 法，正交多项式拟合法，优化识别法，及最小二乘复频域法等。 当各阶模态频率分布比较稀疏的时候，可采用频域单模态识别法，即对于多阶模 态中某一阶模态的识别，可将该段频响函数作为单自由度系统来识别。当模态较 密集的时候，则要采用多模念拟合法。多模态拟合一般都是采用的最小二乘原理， 而在求解的过程中不能直接化为线性方程组，需要迭代法来求解，即有 K l o s t e r m a n 迭代法。L e v y 法是将频响函数在拉普拉斯域中展开，用线性拟合曲 线的思想求解方程组，若结果不理想，则需要运用正交多项式方法。 时域方法则是直接利用脉冲响应函数来进行参数识别，利用自由衰减信号及 从随机激励响应中提取的自由衰减信号，也可以用时域法识别模态参数。时域法 识别方法主要有复指数拟合法，I b r a h i m 时域法，E R A 法及随机子空间方法( S S I ) ， 而时频分析方法主要有H i l b e r t H u a n g 变换的方法、小波分析方法等1 2 】。 1 3 国内外损伤识别研究现状 结构损伤识别最早被应用于机械，航空领域。对于连杆、齿轮等一系列零件 组成的大型机械，人们很早就开始对它们进行结构的故障诊断。后来在2 0 世纪 6 0 年代，结构无损检测技术发展起来。8 0 年代，计算机技术、信息技术和人工 智能等学科的知识不断被应用到结构损伤检测中。 对土木工程结构而言，从国外来看，早期的建筑物的损伤出现率较低，危害 程度远没有机械工程那样高，而且可以允许一定程度的带损伤工作，所以土木工 程的损伤检测发展较慢，且多数工作属于结构可靠性评估。2 0 世纪初期为探索 阶段，注重对结构缺陷原因的分析和修补方法的研究，检测工作大多以目测为主。 2 0 世纪中期则为发展阶段，注重对建筑物检测技术和评估方法的研究，提出了 破损检测、无损检测、物理检测等几十种现代检测技术，还提出了分项评价、综 合评价、模糊评价等多种评价方法。2 0 世纪8 0 年代以来，结构的损伤检测则进 入完善阶段，这一阶段中制定了一系列的规范和标准，强调了综合评价，并引入 了知识工程，使结构可靠性评估工作向着智能化方向迈进。而我国的土木工程结 构损伤检测发展较晚，主要研究也是在7 0 年代以后，随着结构抗震、抗风研究 的发展，才逐步开始结合可靠性评估和安全鉴定进行结构损伤检测方面的研究 【3 】 o 一般结构损伤诊断目标的4 个阶段主要为：( 1 ) 确定结构存在损伤；( 2 ) 确定 损伤的具体位置；( 3 ) 定量确定损伤的严重程度；( 4 ) 预测结构的剩余使用寿命。 而最难完成的阶段即是第2 个跟第3 个阶段，而基于振动测试的损伤识别法综合 运用了结构振动理论、振动测试技术和数据处理技术等跨学科技术，被认为是最 有前途的结构损伤整体检测方法。它基于以下事实：损伤的发生或结构的整体失 2 硕J ：学位论文 稳都会导致结构动力性能的变化，如刚度减小，固有频率降低等，选择其中最有 可能的改变来判断结构的真实状况。这种方法具有良好的应用前景，目前己成为 结构工程界研究的热点。 1 3 1 基于动力学模型的无反演损伤识别方法 无反演方法主要是由试验模态分析得到的模态参数或其组合变换形成损伤 识别指标，由损伤前后指标的变化来识别损伤的发生、损伤的位置及严重程度。 损伤指标一般须满足以下条件：是局域量而且应对损伤位置敏感，可通过对使用 中的结构进行测试并加以确定。目前国内外学者都对此展开了一系列的研究，出 现了基于傅立叶变换的频响函数、固有频率变化比、位移振型、振型曲率、柔度 矩阵、柔度曲率差、模态应变能、残余力向量、应变振型等方法。 1 9 7 9 年，C a w l e y 和A d a m s 在其1 9 7 8 年的研究工作基础上，就利用结构损 伤前后频率变化进行损伤识别，同时也得到了一个结论：结构损伤前后任意两阶 频率的变化之比只是损伤位置的函数，但其也不能明确的进行损伤定位，因为对 称位置的损伤可能会产生相同的频率变化【4 】。同济大学陈素文2 0 0 0 年对各种基 于频率的指标进行了说明，其中两阶频率的变化比、频率变化的平方比、正则化 的频率变化率等参数都是与损伤程度无关的参数，而频率变化的平方、频率变化 率以及损伤前后振型的变化都是与损伤程度有关的参数1 5 】。 基于振型的方法最初有模态置信度( M A C ) 判据法和坐标模态置信因子 ( C O M A C ) 。19 9 1 年P a n d e y 等提出了利用振型曲率法来进行损伤定位的方法1 6 J 。 Y u e n 成功利用振型与频率比值的前后变化作为特征参数，对悬臂梁进行了损伤 识别的有限元数值模拟，此特征参数与损伤位置和程度都有关系，但只能采用一 阶振型1 7 J 。L a m 等也采用损伤前后振型变化与频率变化的比值作为损伤指标，成 功的对一个6 层的框架结构进行了位置识别，但此指标只与损伤位置有关，与程 度无关1 8 l 。P a n d e y 等用柔度差法对三根宽翼缘斜梁进行了试验，表明利用柔度矩 阵差可以较好的对损伤进行定位，而且柔度矩阵只需要低阶模态便可，但作者只 是对两处单一的损伤位置进行了识别1 9 J 。 在框架结构的损伤诊断研究上，1 9 9 5 年周先雁等对三榀框架进行损伤诊断， 证明了用残余力向量可以很好的进行定位及定性的确定损伤程度【J0 1 。徐丽等对 实验室中一个钢筋混凝土框架结构模型进行应变模态试验，考察应变模态对框架 结构中柱刚度变化的识别。结果发现一阶应变振型的相对变化率可以准确的对存 在加强柱子的层进行定位，而且通过局部修正模型的方法识别出了结构局部刚 度。但其只是对已知的局部单元进行修正，实际中对于复杂的结构，具体的损伤 构件位置并不能事先就确定J 。S h i 等利用模态应变能变化对钢框架及桁架的单 及多损伤进行损伤定位，但不能进行损伤程度识别I l2 1 。周先雁等1 9 9 8 年用应 基于模态数据和神经网络的框架结构动力诊断研究 变模态的方法对混凝土结构的损伤进行诊断。通过三榀钢筋混凝土框架的动应变 测试结果分析表明，结构发生损伤的部位，动应变幅值的相对变化量显著，可以 用动应变的相对变化量来判别结构是否发生损伤以及损伤的位置，也可以用它定 性地判别结构损伤的严重程度【l 川。 1 3 2 模型修正方法及其在损伤识别中的应用 2 0 世纪6 0 年代，跟踪滤波与快速傅立叶变换技术先后出现，不论是模拟 式还是数字式的振动测试精度都大幅度提高，参数识别技术因而得到发展展，为 建模提供了另一条途径，即所谓实验建模。然而，参数识别是以存在参数模型为 前提条件的，如果参数模型本身不能反映结构的本质与特征，则任何好的数学辨 识方法也于事无补。一个数学计算模型，只有在被证明具有一定的可信度，才能 被应用于结构动态响应的预报，而试验模态模型则可用于验证数学模型的可靠 性。因此在2 0 世纪8 0 年代初，开始提出模型修正的概念，而且动力模型修正技 术得到了飞速的发展。到后来运用模型修正技术来进行损伤识别也渐渐发展起 来。 1 3 2 1 结构的模型修正方法 目前模型修正的方法主要有矩阵型修正方法，参数型修正法，基于神经网络 算法的修正方法等I I 引。 矩阵型修正方法最初由B e r m a n 提出，他以修改结构适量矩阵加权范数最小 为目标函数，并使修正后的质量阵满足正交性和对称性，从定义的L a g r a n g e 函 数出发，采用有约束的极小化方法实现了模型修正。这个方法改变了原矩阵的带 状和稀疏性，而且识别矩阵不能与物理参数直接相关【l ”。 参数型修正方法是以总体矩阵中的部分元素或系统设计参数如密度、弹性模 量、截面积等作为修正对象。一般的方法都是构造模态参数与物理参数的关系式， 然后对模态参数变化进行泰勒展开，利用灵敏度矩阵，通过迭代方法来识别物理 参数。或者定义一个模态测试数据与理论计算数据差值的目标函数，然后对此目 标函数进行极小化来修正模型l I 引。1 9 8 0 年C h e n 和G a r b a 利用矩阵摄动方法来 计算特征值和模态位移的雅克比矩阵，利用泰勒一阶展开来识别参数。而由于参 数的数量一般都要大于所获得的模态数据总量，因此得采用最小二乘原理来获得 方程的解。但是这里的矩阵摄动法要求具有完全的模态信息结果才够精确I l 引。 S a n a y e i 等提出构造一个模态刚度误差函数，首先对其进行泰勒级数展开，然后 利用优化方法来最小化欧氏范数从而对模型进行修正。文中数值模拟了包含有土 一地下结构超单元和不完全约束框架单元的桥梁结构并对其进行了参数识别I l7 1 。 湖南大学徐丽对结构实验室内刚性地槽上一座钢筋混凝土4 层2 开间2 跨的结构 进行了模态试验，然后通过灵敏度分析对框架结构的层弹性模量进行了识别引。 4 硕l j 学位论文 S a u L o n 等结合矩阵型方法和参数型方法提出了一种综合方法来对模型进行修 正，通过一个剪切型框架及一个三维框架的数值模拟证明了此方法的有效性，不 过在计算过程中总会有一个约束条件，即假定总的质量不变或者第一层质量不 变，是这个方法的不足之处【”J 。周云成功地分别利用灵敏度方法，简单遗传算 法，遗传退火混合算法对4 层框架结构的4 个层弹性模量和3 个地基动剪切模量 进行了识别，结果表明遗传退火混合算法优于其他两种方法1 2 引。 1 3 2 2 基于模型修正的损伤识别方法 C a s a s 等用动力试验获得试验频率和振型，与由参数向量表示的频率和振型 的有限元分析值一起构造了一个误差函数，参数向量取为等效惯性矩，辨识出参 数向量在损伤前后的变化。他的实验对象为几组钢筋混凝土梁i2 1 】。O h 等也基于 系统辨识方法，将静力位移和振型曲率或斜率一起作为已知的响应，用静、动力 的误差响应构成一误差函数。静力位移作为对高阶模态的模拟和动力测试的响应 一起保证了方法的可靠性。他们对一两跨连续梁和一个平面桁架进行了实验，效 果良好【2 2 1 。R o e c k 等利用应变模态来对预应力混凝土梁进行损伤识别，主要是构 造一个目标函数，用频率，振型和曲率来表示一个参数向量，这个向量是弹性模 量的修正系数，然后对其进行优化识别模型参数，而且指出盐率的灵敏度比较好 1 2 3 o 在国内，于德介等1 9 9 5 年利用模态参数的正交关系和特征关系建立质量与 刚度损伤诊断方程，然后用正则化技术求解结构质量与刚度损伤系数。用三根模 型梁做了试验，这一方法假定了单元质量与刚度矩阵与损伤前该单元的质量，刚 度矩阵成比例，因此不适用于含裂缝损伤的结构【2 4 1 。周先雁等也基于模型修正 方法对三榀框架进行损伤诊断，利用加权灵敏度矩阵，通过最小二乘法及最小范 数方法，然后利用非线性迭代来识别出截面抗弯刚度E I 和截面抗拉压刚度E A 的变化，从而定量损伤【25 1 。徐丽先对一个4 层框架进行试验，然后基于模型修 正方法辨识出框架结构损伤前后的节点连接刚度，由其变化量来诊断框架节点的 损伤位置和程度I z 6 。 1 3 3 基于人工智能神经网络的模型修正及损伤识别方法 1 3 3 1 人工神经网络的发展历史 人工神经网络( A r t i f i c i a lN e u r a lN e t w o r k ) 理论是8 0 年代中后期迅速发展 起来的一个前沿研究领域。 从1 9 4 3 年W S M c C u l l o c h 和P i t t s 提出M P 模型起，人类对神经网络的研究 已经走过了半个世纪多的历程。l9 4 9 年H e b b 提出了H e b b 规则，至今仍在各种 神经网络模型中起着重要的作用。19 6 1 年E R o s e b l a t t 提出了著名的感和器 基于模态数据和神经网络的框架结构动力诊断研究 ( p e r c e p t r o n ) 模型，从而确立了从系统角度进行人工神经网络研究的基础。19 6 2 年W i d r o w 提出了主要适用于自适应系统的自适应线性元件( A d a l i n e ) 网络。神 经网络的研究进入了一个高潮。 我国也于l9 8 8 年左右开始神经网络的研究，并在基础与应用领域开展了一 些工作。同时国家自然科学基金委员会、国防基金委、国家8 6 3 计划以及攀登计 划等都开始资助神经网络的研究【5 J 。 1 3 3 2 神经网络方法的优点 神经网络方法能够进行结构损伤诊断，主要有以下几个优势1 27 J ： 1 ) 神经网络具有自适应的能力，能够通过训练阶段，获得健康结构和损伤结 构所具有的有关知识和信息； 2 ) 具有联想记忆、容错性及模式匹配的能力。训练过的神经网络能够储存有 关过程的知识，能直接从定量的历史学习中学习，可以根据对象的正常历史数据 训练网络，然后将此信息与当前测量数据进行模式匹配与比较，从而确定损伤； 3 ) 具有抽取、归纳的能力，能够滤出噪声及在有噪声情况下得出J 下确结论的 能力。可以训练神经网络来识别损伤信息，使其能在噪声环境中有效地工作，这 种滤除噪声的能力使得神经网络适合在线健康检测与诊断； 4 ) 神经网络本身就是一个输入一输出的映射函数关系，具有分辨原因及损伤 类型的能力。 因此，神经网络方法非常适合于结构损伤诊断领域。但是，目前仍然有一些 问题，如神经网络算法的选定、网络输入向量的选取等，是此类方法识别精度和 网络训练快慢的主要因素。 1 3 3 3 人工神经网络在工程结构模型修正中的应用 对于大型的复杂结构，测量误差是一个不可避免的影响，而矩阵型和参数型 方法都不能克服这些困难，而且这些方法的应用中，由于所测得的模态数要小于 结构单元数，有的结构都要进行模态扩展或者模态缩聚才能进行参数修正，这样 也会产生一些误差。近年来兴起的神经网络方法算法为克服这些问题开辟了新的 途径。 A t a l l a 的博士论文提出用神经网络方法对模型进行修正的优缺点，通过试 验，利用R B F 神经网络分别对一柔性框架结构和一悬臂梁结构进行了模型修j 下， 效果较好，输入参数为振动试验实测的结构频响函数1 28 1 。L e v i n 和L i e v e n 模拟 了一个l0 单元2 维的悬臂梁结构，采用神经网络方法进行了模型修J 下，其中数 值模拟过程中分为无噪声和加入一定噪声的情况，结果得出在一定的噪声情况 下，模型修正不会受其影响【2 9 1 。Y u n 等认为造成理论模型与实际模型之间误差的 影响因素十分复杂，他们将整体结构分解为各子结构，并将各种影响因素折算为 6 硕l ：学位论文 各子结构的子矩阵放大系数( s u b m a t r i xs c a l i n gf a c t o r s ) 通过调整S S F 来实现对模 型的修正。因此，他们选择各子结构的S S F 作为输出参数，输入数据为结构的 前4 阶固有频率和相应的非完备的振型数据，通过4 层B P 网络对模拟的两层桁 架和多层框架进行了修正，结果表明此方法有较强的抗噪声能力1 3 。 1 3 3 4 人工神经网络在工程结构损伤识别中的应用 T s o u 等运用固有频率的变化和动力残余矢量的变化作为B P 网络的输入来进 行损伤检测，分别用三个自由度的弹簧质子系统和8 个自由度的弹簧质子系统来 验证所提方法的有效性。对于三个自由度的系统来说，固有频率变化作为损伤输 入模式，样本存在一种损伤和多种损伤的组合( 3 种损伤位置) ，有六种不同的损 伤程度来产生各种损伤组合的样本，并用来训练神经网络，所有的识别效果都较 好。对于8 个自由度的系统，将动力残余矢量变化作为模式输入，考虑了1 4 种 损伤位置和6 种不同的损伤程度，损伤识别结果非常令人满意【3 。C h a n g 等利用 迭代神经网络识别了两端固支T 形截面梁的裂纹问题，迭代神经网络方法即是 将初步识别出来的结构参数代入有限元模型中，若计算出来的动力参数跟试验得 出的动力参数偏离，则重新训练神经网络以求达到最精确结果。他们将实测梁的 低阶固有频率及一阶振型曲率作为神经网络的输入，辨识出梁内存在的横向裂纹 参到3 2 1 。 湖南大学郭国会，易伟建提出用振型差值的层间变化作为输入向量，损伤层 及损伤系数作为输出，用B P 神经网络方法来对框架结构层问刚度进行识别，发 现对单层损伤识别效果较好，对多层损伤效果不好，而且只适应于框架层间剪切 破坏p 引。同济大学陈素文，李国强介绍了基于B P 网络的框架结构损伤识别的多 重分步识别方法，这一方法先确定有损伤的层，再确定层内有损伤的杆件最后确 定损伤程度的策略，具有所需网络学习样本少和识别准确性与精度高的优越性。 文中通过一个钢框架模型的模拟地震振动台试验的应用，详细说明了该方法的应 用过程及有效性1 3 4 1 。姜绍飞，张帅将小波分析、概率神经网络和数据融合等技 术有机地结合起来，提出了一种5 阶段的决策级数据融合损伤检测新方法，最后 用2 个数值算例验证了方法的有效性，并探讨了测量噪声对损伤识别的影响p 引。 杨晓楠，姜绍飞，王金鱼以小波能量特征向量作为概率神经网络的输入，利用小 波概率神经网络的识别方法对b e n c h m a r k 模型的斜框架进行了损伤识别研究，并 考虑了随机噪声的影响，识别效果表明抗噪声能力强，识别精度高【36 1 。李林等 也采用B P 神经网络先对一个三层的钢框架结构进行模型修正，然后对框架结构 各种实际的损伤状况进行了识别，并说明神经网络的输入向量越充分，其收敛速 度最快1 3 7 】。王红丽同样采用改进的B P 神经网络方法对框架节点的损伤进行了数 值与实验研究，通过数值模拟及试验表明改进的B P 网络方法具有较强的容错能 7 基于模态数据和神经网络的框架结构动力诊断研究 力，而且识别效果较好3 8 1 。 1 4 本文研究内容及意义 目前，基于对于框架结构的损伤识别研究大部分都是基于数值模拟，而基于 试验研究并采用较大尺寸实际结构的研究较少。同时基于试验对结构进行损伤诊 断的研究中还存在一些问题，由于土木工程结构都比较复杂，在对结构进行数值 建模的时候会不可避免的产生一些误差，当需要利用初始精确数值模型进行损伤 诊断时就会受到影响，因此在损伤识别前应该对模型进行修正。由于结构的复杂 性及非线性，已有的许多损伤诊断方法都无法广泛应用于工程实际中。近年来， 以非线性大规模并行分布为主流的人工神经网络方法发展迅速，而且已经比较成 功的应用于损伤识别等领域。另外，框架结构基于动力试验的诊断研究基本上都 是针对平动模态，较少考虑扭转模态的影响，因此本文针对一个比例为l ：3 ，4 层l 跨2 开问的框架结构，首先对其进行各种支撑状态下的振动测试来获取其平 动模态和扭转模态的频率数据及振型数据，然后对其进行数值模拟来获取神经网 络的训练样本，基于实测的扭转模态数据，采用一种新的组合指标作为输入向量， 运用神经网络方法来对各层弹性模量进行模型修正，最后对斜支撑的位置及刚度 进行识别。具体内容如下： 第l 章：主要介绍基于频率，振型，柔度矩阵，应变模态，模态应变能，残 余力向量等无反演损伤识别方法，模型修正方法及其在损伤识别中的应用，神经 网络方法及其在模型修正和损伤识别中的应用，并提出了本文的研究内容。 第2 章：框架结构的试验：首先介绍实验模态方法，然后对框架结构不同位 置设置斜支撑，再对初始及各个支撑状态进行单点拾振多点激励的模态试验，获 得框架结构平动模态以及扭转模态的频率及振型，为后面的框架结构的模型修正 及斜支撑的位置刚度识别提供试验数据。为了获得准确的试验结果，进行多次重 复试验。然后本文根据扭转振型特点，提出一个对斜支撑位置进行初步定位的指 标，即平均转动中心距差值，其对非对称支撑状态的定位效果较好。 第3 章：介绍径向基神经网络( R B F ) 以及概率神经网络( P N N ) 的基本原 理和其基本训练算法，并利用S A P 2 0 0 0 对本文试验的4 层1 跨2 开间的框架结 构进行数值模拟获取初始模型及各种情况的训练样本。首先分别采用数值模拟的 平动模态及扭转模态频率变化率作为神经网络的输入向量，通过训练及测试，发 现扭转模念的识别效果比平动模念要好，即扭转模态相对平动模态较敏感。同时 本文基于Y u e n 的特征参数法，提出一个与损伤程度以及损伤位置都有关的新的 损伤指标，即一阶特征参数变化率来作为输入向量，其对测试样本的识别效果也 很好。而且本文通过比较发现采用O L S 算法的R B F 神经网络识别效果与速度都 优于传统算法，且R B F 网络比B P 网络的收敛速度快很多。 8 硕I j 学位论文 第4 章：首先从第二章的试验结果，提出结合扭转频率变化率、平动频率变 化率以及扭转模态的一阶特征参数变化率作为一个组合指标作为输入向量，来对 框架结构进行模型修正，发现其效果最好。然后再结合P N N 及R B F 神经网络方 法对结构进行多重分步仿损伤识别，即首先用P N N 神经网络方法分步确定框架 斜支撑的层位置及具体位置，然后再利用R B F 网络对支撑杆件截面刚度进行识 别，实现杆件层次的识别。 9 基于模态数据和神经网络的框架结构动力诊断研究 第2 章框架结构的振动测试 2 1 试验研究的目的和内容 振动测试是实验模态分析技术获取结构模态参数的试验部分，能否用模态分 析技术准确地获取结构模态参数，首先要依赖于通过振动测试所获取的传递函 数，同时，利用动力法对结构进行损伤诊断的准确性与可靠性，也依赖于振动测 试数据的准确性与可靠性。因此，振动测试是动力法进行结构损伤诊断的试验基 础。 本文振动测试的目的有两点：1 ) 首先通过实验获取本文框架结构初始状态 下的动力特性( 如频率、振型等) ，作为后面对结构进行模型修正的依据；2 ) 对结构模拟不同状况的斜支撑情况( 采用增加钢支撑的办法) ，再通过振动测试 获取不同情况下的动力特性，为以后的斜支撑识别提供实验数据。 2 2 试验模型及斜撑设置 本文的试验对象为一个4 层l 跨2 开间钢筋混凝土框架结构模型，模型的比 例为1 ：3 。框架模型的整体尺寸为L B H = 2 8 m 1 8 m 4 3 3 m 。原型框架按抗 震设计规范设计，底层层高为1 3 3 m ，2 4 层层高为l m 。框架模型的基础为L B H = 0 6 m O 6 m 0 0 6 m 的柱下独立板式埋置基础。挖方土槽深度为1 2 m ，填 土深度为1 10 m ，填土类型为粉质粘土，按照每层2 0 c m 3 0 c m 分层夯实。模型 框架柱尺寸为b x h = 1 3 3 m m 1 3 3 m m ，纵梁截面尺寸b h = 8 3 m m X1 3 3 m m ，横梁 截面尺寸b X h = 6 7 m m X1 6 7 m m ，楼板厚度为3 0 m m 。框架模型的梁、柱、板的受 力钢筋为I 级，设计混凝土强度为C 2 5 。施工时分层浇注，每层留置混凝土立方 试块，与框架模型同条件养护，框架结构标准层平面图及实验框架结构照片见图 2 卜2 2 所示。 框架模型的初始混凝土弹性模量结果如表2 1 所示【2 0 J ： 表2 1框架结构的初始层弹性模量 l O 硕J j 学位论文 1 3 3 * 1 3 3 ，二= 二二：二二：I = = 二二二= = 6 7 * 1 6 7 6 7 1 6 7 二二二j = ：一：二二 f 一地l 一一 ( ) 1 广( 璺 o I o I L 涯) 图2 1 框架结构标准层平面图图2 2 试验框架结构照片 本文首先对此框架结构进行初始状态的振动测试，其次进行斜支撑设置。支 撑情况有非对称单支撑，对称单支撑，对称多支撑及非对称多支撑情况( 如图 2 3 所示) ，最后进行7 种情况下的振动测试来获得结构的扭转及平动模态。 1 6 一仨r 一一 4 r 一一 5 ，_ 1 2 。卜量夕j j 、山，二j ：- j 。 烈L ；J - C 一了 、K 一，f 十| ，i i 广i 一。 J 一 一一一一，x ，r ， f ： o ：一一：确 a ) 2 层支撑示意图b ) 3 层支撑示意图c ) 4 层支撑示意图d ) 2 、4 层支撑示意图 1 P 卜 L 一一夕 i