（水工结构工程专业论文）自适应神经智能方法及其在结构损伤诊断中的应用.pdf

摘要 摘要 利用结构的振动响应和系统动态特性参数进行结构损伤检测是目前国内外研究的 热点和难点。虽然该方法已在实际工程损伤检测方面得到了较广泛的应用，但是随着损 伤的积累以及老化结构的增加，为了更加准确的对损伤进行定位和定量，需要发展新的 信号处理方法提取对损伤敏感的特征因子。本文在总结回顾以前工作的基础上，主要开 展了如下4 个方面的工作： ( 1 ) 当结构发生损伤时，在损伤处，其模态振型或其高阶导数不连续即存在奇异， 这种奇异性可以通过寻找其小波变换模极大在细尺度下的收敛的横坐标来检测，奇异性 位置即对应结构中的损伤位置；为了对损伤程度进行诊断，利用神经网络较强的非线性 映射能力来模拟小波变换模极大和损伤程度之间的非线性关系，采用d b 2 小波对模态振 型进行离散小波变换，将多个尺度下小波变换模极大值进行归一处理后，作为b p 网络 的输入参数，输出为结构的损伤程度。通过数值算例验证了该方法简单易行、精度高， 可以在实际检测中推广应用。 ( 2 ) 根据利用模态曲率进行损伤检测的原理，采用具有二阶消失矩的墨西哥草帽小 波对结构在健康和损伤状态下的模态振型差进行连续小波变换，由此提出了表示损伤位 置的指标。即相当于先用高斯函数对模态振型差进行平滑处理，然后对平滑后的模态振 型差求解二阶导数，通过寻找小波变换模极大在细尺度下收敛的横坐标来检测损伤位置。 根据l i p s e h i t z 指数与小波变换模极大的关系，讨论了损伤程度与l i p s e h i t z 指数的关系。 数值模拟结果表明：该指标可以准确的对损伤进行定位。同时通过实验，利用该方法对 实际结构进行了健康诊断。 ( 3 ) 以结构中存在两处损伤为例，研究了小波包节点能量用作结构多处损伤特征因 子的可行性。并将某一尺度下特征因子进行归一处理后作为b p 网络的输入参数，利用 网络的分类识别能力，实现对结构损伤位置及程度的诊断。并在数值算例中讨论了噪声 对该方法朐影响，同时也讨论了网络的外推性能。 ( 4 ) 编制了小波神经网络程序，该网络兼具小波变换和神经网络两者的优点，为改 善该网络的性能，使之能够最大限度地提取信号的特征，借助遗传算法来搜索最优网络 参数，以提高小波神经网络的检测精度。 关键词：结构健康诊断；损伤检测：神经网络；小波变换；小波包变换；小波神经网络； 遗传算法 a b s t r a c t n 他s t r u c t u r a ld a m a g ed e t e c t i o nm e t h o db a s e do ns t r u c t u r a lv i b r a t i o n r e s p o n s ea n d s y s t e m i cd y n a m i cp a r a m e t e r si sad i f f i c u l ta n dg r o w i n gi n t e r e s tp r o b l e mi nn o n d e s t r u c t i v e e v a l u a t i o n ( n d e ) a l t h o u g ht h em e t h o dh a v eb e e nw i d e l ya p p l i e di np r a c t i c a le n g i n e e r i n g h o w e v e r a l o n g w i t h d a m a g ea c c u m u l a t i n g a n di n c r e a s e o f a g i n gs t r u c t u r e s ，n e ws i g n a la n a l y s i s a n di n t e r p r e t a t i o na l g o r i t h mn e e dt ob ed e v e l o p e di no r d e rt oa c c u r a t e l ye v a l u a t ed a m a g e a r e r r e v i e w i n g t h ep a s tw o r k , 4 a s p e c t so f r e s e a r c h i n g i sd e v e l o p e da sf o l l o w i n g ： ( 1 ) t h em o d es h a p e o ri t sc e r t a i nd e r i v a t i v eo fas t r u c t u r ei sd i s c o n t i n u o u sa tt h ed a m a g e l o c a t i o n , a n dt h ed i s c o n t i n u o u sp r o p e r t yc a nb ed e t e c t e db yt h ew a v e l e tt r a n s f o r mm o d u l u s m a x i m u ma n dt h ew a v e l e tr i d g e t h ed i s c o n t i n u o u sl o c a t i o ni st h ed a m a g el o c a t i o n t h e n o n l i n e a rr e l a t i o nb e t w e e nt h em o d u l u sm a x i m u ma n dd a m a g ee x t e n ti ss i m u l a t e du s i n ga n a r t i f i c i a ln e u r a ln e t w o r kt od e t e c tt h ed a m a g ee x t e n t t h ed i s c r e t ew a v e l e tt r a n s f o r mi s p e r f o r m e d o nt h em o d e s h a p eo f as i m p l e b e a m b yd b 2w a v e l e t , a n d t h em o d u l u sm a x i m u m so f m u l t i - s c a l e sa r ec a l c u l a t e da n du s e da s i n p u t si n t ob pn e u r a ln e t w o r kf o rd a m a g ee x t e n t a s s e s s m e n t n u m e r i c a ls i m u l a t i o nr e s u l t ss h o wt h em o d u l u sm a x i m u m sa r es e n s i t i v et o s t r u c t u r a ld a m a g e ( 2 ) t h ec o n t i n u o u sw a v e l e tt r a u s f o r mb yam e x i c a nh a tw a v e l e th a v i n gt w ov a n i s h i n g m o m e n t si sa p p l i e dt ot h ed i f f e r e n c ei nt h ef i r s tm o d e s h a p e so f a s t r u c t u r eu n d e r t h eh e a l t ha n d d a m a g es t a t eb a s e do nt h et h e o r yo ft h em o d ec u r v a t u r eu s e di nd a m a g ed e t e c t i o n ，a n d a d a m a g ei n d e xi sp r e s e n t e d t h a ti st os a y , t h ed i f f e r e n c ei sf i r s ts m o o t h e db yg a u s sf u n c t i o n ， t h e nt h es e c o n dd e r i v a t i v eo ft h es m o o t h e dd i f f e r e n c ei sc a l c u l a t e d h ed a m a g el o c a t i o ni s d e t e c t e db yt h eh o r i z o n t a lo r d i n a t ec o n v e r g e n c eo f t h em o d u l u sm a x i m u mf o rl o ws c a l e s t h e r e l a t i o nb e t w e e nl i p s c h i t ze x p o n e n ta n dd a m a g ee x t e n ti sd i s c u s s e db a s e do nt h ei n d e x m a x i m u m n u m e r i c a ls i m u l a t i o nr e s u l t ss h o wt h ei n d e xc a be x a c t l yd e t e c tt h el o c a t i o no ft h e d a m a g e m e a n w h i l e ，ac o r r e l a t i v ee x p e r i m e n ti sc o n d u c t e d ( 3 ) d y n a m i cs i g n a l sm e a s u r e df r o mas t r u c t u r ea r ed e c o m p o s e di n t o w a v e l e tp a c k e t c o m p o n e n t s n l cf e a s i b i l i t yo fc o m p o n e n te n e r g i e st a k e na sd a m a g e f a c t o ri ss t u d i e dw h e n d a m a g ee x i t si nt w op a r t so fas t r u c t u r e n 圮e n e r g i e sa r ec a l c u l a t e di na na p p r o p r i a t es c a l e b a s e do ns e n s i t i v i t ys t u d y , a n d t h e ya 托u s e d a sm p u t si n t ob p n e u r a ln e t w o r kf o rm u l t i 1 0 c a t i o n d a m a g ed i a g n o s i s t h ee f f e c to f n o i s e so nt h em e t h o di ss t u d i e di nt h en u m e r i c a ls i m u l a t i o n s ， a n dt h e e x l z a p o l a t i o na b i l i t yo f t h e n e u r a ln e t w o r ki sd i s c u s s e d ( 4 ) m w a v e l e tn e u r a ln e t w o r k ( w n n ) c l a s s i f i e r sp r o g r a mi sa c h i e v e du s i n gs t r u c t u r a l d a m a g ed i a g n o s i s ，a n d t h ew n nh a st h ev i l m so f t h ew a v e l e tt r a n s f o r ma n dt h en e u r a ln e t w o r k g e n e t i ca l g o r i t h mi su s e dt oi m p r o v et h ep e r f o r m a n c eo f t h ew n n k e y w o r d s ：s t r u c t u r a lh e a l t hd i a g n o s i s ；d a m a g ed e t e c t i o n ；t h en e u r a ln e t w o r k ；t h ew a v e l e t t r a n s f o r m ；t h ew a v e l e tp a c k e tr a m s f o r m ；t h ew a v e l e tn e u r a ln e t w o r k ；g e n e t i ca l g o r i t h m i v 前言 前言 近2 0 年以来，结构损伤诊断在土木工程、水利工程、航空及机械系统等领域越来 越受到重视。目前许多在役结构物已经老化、内部存在不同程度的损伤积累，一旦损伤 达到一定程度，导致结构破坏，将给国民经济和人民的生命安全造成巨大的损失。因此， 对结构进行健康诊断有着重要的意义。 目前已经发展了多种无损健康诊断方法，这些方法可以被统分为局部诊断和全局诊 断两大类。局部诊断方法包括目测法、超声波法、声发射法、电磁法、热力法、涡流法 等。这些方法在对结构进行局部检测时得到了比较广泛的应用，但是它们大都要预先知 道结构损伤的大概区域，然后在损伤部位安置仪器进行检测。随着结构规模和复杂性的 增加，很多损伤区域无法预先知道，而且损伤部位无法安置仪器，使得这些检测方法在 实际应用中受到限制。全局诊断方法则是利用结构在荷载作用下的响应进行无损健康诊 断，基于振动的结构无损检测属于全局诊断方法。 利用结构的振动响应和系统动态特性参数进行结构损伤检测是目前国内外研究的 热点和难点。但是在已知激励和动力响应条件下，求解系统动力参数属于振动反问题， 而反问题通常是不适定的，而且在实际测试时还会由于随机因素、模糊因素、信息不完 备和噪声干扰等因素的影响造成实测数据不准、存在错误、无法再重新测试或测试数据 量不足等问题；同时由于工程结构的规模在不断扩大，造成计算模型庞大、复杂结构建 模困难、模型误差增大、模型存在高度非线性、计算困难等问题，使得现有的无损检测 方法很难应用于实际。由于人工智能的发展，为解决以上问题提供了许多途径，其中人 工神经网络，以其强大的自适应能力、学习能力、容错能力和较好的鲁棒性，很适合于 故障分类和模式识别，因此在结构损伤检测领域中很受欢迎。 利用实测结构动力特性进行结构损伤识别时，对采集到的结构损伤信号分析和处理 方法的研究是非常关键的一步，即从信号中提取能够反映结构损伤的特征因子，从而进 行损伤识别。f o 耐o r 分析是信号分析领域中的传统工具，能够有效地分析平稳信号，但 是对于分析非平稳信号，在时一频局部化要求方面是无能为力的。就时一频局部化而言， 窗口f o u r i e r 分析在f o u r i e r 分析的基础上取得了本质的进步，但是它不能根据高、频信 号的特性自适应地调整时一频窗。而近来被誉为分析信号的数学显微镜的小波变换，以 其在信号处理方面的强大功能，正被逐步引入到结构损伤检测中。 找出对损伤敏感的特征因子作为神经网络的输入参数，对于成功应用神经网络进行 结构损伤诊断起到关键的作用。神经网络和小波变换的联合应用更是为结构损伤检测开 辟了一条新的路径。以小波变换作为前处理，进行损伤结构的特征提取，例如以峰值指 标、能量指标等作为神经网络的训练样本，进而进行损伤诊断。同时将小波函数作为人 工神经网络的激活函数，进行网络训练，这一方法也逐步引入到结构的损伤检测中。可 前言 见，在工程结构日益复杂和大型化的今天，神经网络和小波变换及它们的联合应用给结 构无损健康诊断开辟了一番新的天地。 为了寻找对损伤更加敏感的特征因子，同时避免求解反问题中的不适定性，结合国 家自然科学基金项目“复杂环境中拱坝的破坏机理和安全度研究( 5 0 3 7 9 0 0 5 ) ”、“重大水 利工程病变机理与健康诊断方法研究( s c x 2 0 0 0 - 5 6 ) ”，主要研究了利用小波变换和神经网 络对结构损伤位置和损伤程度的诊断。 本文的主要创新点有：( 1 ) 利用小波奇异性理论，通过离散小波变换模极大值位置 来诊断结构的损伤位置，并且提出了以多个尺度下小波变换模极大值为神经网络的输入 参数进行结构损伤程度评估的方法。( 2 ) 提出了诊断结构损伤位置的指标，讨论了指标 模极大和损伤程度的关系。( 3 ) 根据“能量一损伤”原理，以结构中存在两处损伤为例， 研究了小波包节点能量用作结构多处损伤特征因子的可行性。( 4 ) 建立了遗传小波神经网 络模型，并利用该网络实现了对结构的损伤诊断。 本文的研究在寻找对结构损伤敏感的特征因子方面有着一定的实际应用价值，所提 出的方法可以用作其他无损诊断技术的参考，丰富了结构无损健康诊断技术，同时拓宽 了小波变换在结构损伤诊断中的应用。 学位论文独创性声明： 本人所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不 包含其他人已经发表或撰写过的研究成果。与我一同工作的同事对本文研究 的任何贡献均已在论文中作了明确的说明并表示了谢意。如不实，本人负全 部责任。 论文作者( 签名) ： 盈超炒厂年厂月l 日 论文实用授权说明： 河海大学、中国科学技术信息研究所、国家图书馆、中国学术期刊( 光 盘版) 电子杂志社有权保留本人所送交学位论文的复印件或电子文档，可以 采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文 的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅。论文 全部或布分内容的公布( 包括刊登) 授权河海大学研究生院办理。 论文作者( 签名) ：殛鞋一w 步年厂月2 ，日 第一章绪论 第一章绪论 1 1 本课题的研究目的和意义 由于自然灾害、人为等因素的长期作用，使得许多在役结构物存在各种各样的损伤 和缺陷，大坝坝踵开裂、火灾后混凝士过火、梁板开裂、钢筋锈蚀、刚结构的开焊、桩 身各种缺陷等，在水利水电设施中，病险水库在大中型水库中约占2 0 ，在小型水库中 约占4 0 。这些结构中存在的损伤和缺陷，一旦积累到一定程度，导致结构破坏，将给 国民经济和人民的生命安全造成巨大的损失。因此，如何有效的发展与利用现有的技术 手段对结构进行长期健康监测及损伤诊断，为结构加固及修复提供可靠的科学依据，对 工程的安全运行有着极其重要的意义。马宏伟【”，虞和济圆，陈长征p 】，姜绍飞【4 】，刘箴 【5 】等对结构损伤检测和诊断技术的现状及最新进展做了总结。 对结构进行健康诊断与损伤检测的研究工作，国外大体上开始于2 0 世纪4 0 年代【3 】， 大致可以分为三个阶段：( 1 ) 2 0 世纪4 0 年代到5 0 年代为探索阶段，注重对建筑结构缺 陷原因的分析和修补方法的研究，检测工作大多采用已目测为主的传统方法；( 2 ) 6 0 年 代到7 0 年代为发展阶段，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。( 3 ) 8 0 年代以来，进入完善阶段，该阶段制定了一系列的规范和标准， 强调了综合评价，并引入知识工程，将有限元分析等数值计算方法和结构损伤检测方面 的专家经验结合起来，使结构损伤检测和可靠性评估工作向着智能化方向迈进。 就我国而言，建国初期建造的大量建筑物，包括民用住宅、工业厂房、办公楼、桥 梁等，有的已接近设计使用寿命，有的建筑物在地震、火灾或洪水等自然灾害作用下产 生了不同程度的损伤，这些损伤的长期积累会降低结构的使用性能，甚至导致整个结构 的突然失效。为避免人员伤亡和巨大的经济损失，我国已于2 0 世纪7 0 年代中期开始结 构损伤检测和评估方法的研究，虽然起步较晚，但已引起了国家许多部门和单位的重视， 开发和研究了许多符合我国国情的诊断方法与技术。 结构的损伤检测、诊断是工程结构经历自然灾害、长期作用后进行修复、加固的基 础，对工程结构进行健康检测与诊断是一项复杂的系统工程，它要求技术人员既要精通 建筑结构理论，掌握各种诊断、评估的方法，又必须了解与使用环境相关的各种影响因 素，懂得结构和结构材料劣化损坏的机理。d o e b l i n g 6 1 给出了损伤的定义：结构的材料或 几何特性有目的或无目的的改变，这些改变反过来影响当前或未来的系统力学性能。从 强度、刚度、稳定性和不泄漏等要求来看，工程结构的常见损伤有例：结构的内部缺陷， 包括材质本身的缺陷，设计和制造( 包括安装) 不当产生的隐患：疲劳和裂纹；松弛和蠕 变；失稳；腐蚀或磨损：泄漏或渗漏。 河海大学博士学位论文 目前的损伤检测方法大体上可以分为两类，有损伤检澳8 和无损伤检测，有损伤检测 是以结构的局部破坏为基础，例如钻心法。由于有损伤检测会造成结构的局部破坏，而 且成本较高，费时费力，因此该方法在实际应用中受到了限制。相对有损伤检测，无损 检测方法具有简便易行、测试效率高等优点，在结构损伤检测中应用范围较广，目前有 多种无损检测方法，如目测法，光谱法、超声波法、声发射法、雷达法、涡流法热力法 等【j j 。但是这些方法大都要预先知道损伤的大概位置，然后在损伤部位安置仪器进行检 测。实际上随着结构规模和复杂性的增加，很多损伤无法预先知道，而且损伤部位无法 安置仪器，使得许多损伤检测方法受到限制，无法对结构在线进行监测和实时诊断。 利用结构的振动响应和系统动态特性参数进行结构损伤检测引起了国内外许多学 者的关注。基于振动的损伤检测方法是无损检测方法中的一种，该方法首先利用数据采 集系统获得待测结构的振动响应或结构动态特性的变化，然后利用结构的固有特性如特 征方程、振型的正交性等建立结构动态特性的变化与结构参数( 质量、阻尼、刚度等) 变化的关系，从而判定结构的损伤位置与程度。但是在已知激励和动力响应条件下，求 解系统动力参数属于振动反问题，而反问题通常是不适定的，即结构动力特眭测试的微 小变化或误差可能导致参数识别结果发生很大的变化；而且在实际测试时还会由于随机 因素、模糊因素、信息不完备和噪声干扰等因素的影响而造成实测数据不准、存在错误、 无法再重新测试或测试数据量不足等问题；同时由于工程结构的规模在不断扩大，造成 计算模型庞大、复杂结构建模困难、模型误差增大、模型存在高度非线性、计算困难等 问题，使得现有的无损检测方法很难应用于实际1 7 】。随着人工智能的发展，为解决以上 问题提供了许多途径，如专家系统、模糊理论、人工神经网络、遗传算法等。人工神经 网络虽然起步较晚，但以其强大的自适应能力、学习能力、容错能力和较好的鲁棒性， 很适合用于故障分类和模式识别。因此人工神经网络可以在一定程度上缓解以上问题 8 - 1 2 ，对结构进行损伤检测和诊断有着重要的实际意义。 利用实测结构动力特性进行结构损伤识别时，对采集到的结构损伤信号分析和处理 方法的研究是非常关键的一步，即从信号中提取能够反映结构损伤的特征因子，从而进 行损伤识别。f o u r i e r 分析是信号分析领域中的传统工具，能够有效地分析平稳信号，但 是对于分析非平稳信号，在时一频局部化要求方面是无能为力的【i ”。就时一频局部化而 言，窗口f o u r i e r 分析( w f t ) 在f o u r i e r 分析的基础上取得了本质的进步，但是它不能 根据高、低频信号的特性自适应地调整时一频窗，它在时一频局部化的精细方面和灵活 性方面表现欠佳。而近来被誉为分析信号的数学显微镜的小波变换【1 4 1 ，以其在信号处理 方面的强大功能，正被逐步引入到结构损伤检测中【l 孓1 8 j 。 小波变换中的多分辨率分析在对信号进行时一频分析时，可以根据高、低频信号的 特点，自适应地调整时一频窗，即在低频部分，时窗变宽，频窗变窄，具有较高的频率 分辨能力，在高频部分，时窗变窄，频窗变宽，具有较高的时间分辨。结构发生损伤后， 其振动响应或结构动态特性( 统称为信号) 会发生变化，利用小波变换由粗及精作多分 2 第一章绪论 辨率分析的能力，对信号进行分析，提取暗含结构损伤信息( 损伤的发生、位置及程度) 的特征因子，进一步对损伤进行诊断。但多分辨率分析在低频部分时间分辨率较差，在 高频部分频率分辨率较差。而在大多数结构动态响应信号中，结构的高频部分也包含着 丰富的损伤信息，故要求小波分解在高频部分有较好的频率分辨能力。小波包分析是在 小波变换基础上提出的，小波包分析不仅对信号的低频部分进行多层分解，同时对高频 部分也进行多层分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与 信号频谱相匹配，从而提高了信号低频部分的时间分辨率和高频部分的频率分辨率，这 一优势使之更适合探测正常信号中所夹带的瞬态反常现象并展示其成分，更加有利于损 伤特征因子的提取。如何找出特征因子与损伤信息之间的关系，是一项非常重要的工作。 神经网络对输入与输出具有高度的非线性及线性映射能力，将提取的特征因子作为网络 的输入，损伤信息作为网络的输出，通过人工神经网络模拟它们之间的关系，由网络的 输出给出损伤诊断的结果。利用人工神经网络模拟特征因子和损伤信息之间的关系，对 结构损伤检测有着重要的实际意义。 结构发生损伤时，其振型信号中必然暗含着损伤信息，但是直接根据现场采集到的 数据对信号进行解释比较困难，因此总要提取信号的某些特征来表征信号。利用小波变 换的一个重要性质，即它具有在时、频两域突出信号局部特征的能力，对信号进行分析， 由信号的小波变换的奇异点( 如过零点、极值点等) 在多尺度上的综合表现来表征信号 ( 特别是信号的突变或瞬态特征) ，在结构损伤检测领域已引起了人们的广泛注意。例如 结构在地震荷载作用下，对采集到的振动加速度进行小波奇异性分析，可以准确获得结 构发生损伤的时刻【l ”。利用小波奇异性对结构的振动响应( 例如加速度响应) 、结构动 态特性( 例如模态振型) 及结构在静态荷载作用下的挠度进行分析，由小波变换过零点 或极值点，对它们进行表征，讨论结构的健康状况，是目前小波奇异性用于结构损伤检 测的一个主要研究方向。 在进行多分辨率分析时，虽然能够根据信号自适应的调整时一频窗，但它还是受二 分制多分辨率分析对时一频平面划分方式限制的。不同的结构及不同的损伤情况，采集 到的振动信号各有自身的特性，如何根据信号的本身特性选择基本小波的类型、尺度及 平移，同时最好又能自适应达到这一目的呢，这实际上是小波变换优化问题的一个方面。 由于基本小波类型的选择缺少统一的严格理论指导，只能根据具体问题提出具体原则。 而在尺度和平移的优化选择有一些比较系统的方法【1 4 1 。利用人工神经网络的学习记忆能 力，与自适应小波变换相结合，通过网络的对输入输出的学习，选择与信号最合适的尺 度和平移因子。为了可以最大限度的从信号中获得损伤信息，提高小波神经网络的诊断 精度，可以借助在优化方面有着强大功能的遗传算法提高网络精度。 结构损伤检测中关键的是找出对损伤敏感的特征因子，建立特征因子和损伤信息之 间的关系，对损伤进行识别，为结构的修复和加固提出可靠的依据。 河海大学博士学位论文 1 2 基于振动的无损检测技术的发展现状与动向 结构损伤检测技术是近4 0 年发展起来的- - f 7 新学科，它是一门适应工程实际需要 而形成的各学科交叉的综合学科，它融合结构理论、力学特性、材料特性、仪器设备、 信号分析、模式识别等于一体。r y t t e r 2 2 l 将无损检测技术分为四个等级： ( 1 ) 判断结构是否发生损伤。是其它三个层次的基础。 ( 2 ) 损伤定位。是损伤检测的核心，也是损伤检测的难点。 ( 3 ) 损伤程度评估。是损伤检测的目的所在，也是进行结构修复与加固的依据。 ( 4 ) 结构剩余寿命的评估。目前结构损伤检测与诊断大都停留在第三个层次上，对 于这一层次的研究较少。 通过结构的反应或动力特性的变化对结构的整体性能进行损伤检测的方法，称为基 于振动的损伤检测方法【4 j 。就是对待测结构系统进行激励，通过振动测试、数据采集、 信号分析与处理，由系统的输入和输出确定结构的动力特性( 模态频率、模态振型、模 态阻尼等) ，根据结构系统的动力持性来反推结构的质量、刚度、阻尼等物理特性，可见， 基于振动的结构损伤检测是一个明显的反问题。如果结构存在损伤，结构的模态参数和 物理特性会发生变化，然后根据物理特性的变化确定损伤的位置及损伤程度。基于振动 的结构损伤检测方法从研究和应用的角度可以分为模型修正法和动力指纹法。 1 2 1 模型修正法 基于模型修正法的结构损伤检测是借助于结构动力修改的思想和方法，是结构动力 修改技术的应用和发展，文献【2 3 ，2 4 】对有关动力修改的问题进行了详细的讨论。模型修 正法可以分为两个阶段进行损伤检测f 2 5 l ：第一阶段，由于工程结构建成后，其某些参数 会有一些变化，造成初始有限元模型与建成后的工程结构有差别。为了使初始有限元模 型能够真实反映实际工程结构，需要利用实际测量或间接得到建成后的结构振动参数( 频 响函数、传递函数、模态参数等) 来修改初始有限元模型构成未损伤模型( u p d a t e d m o d e l i nu n d a m a g e d s t a t e , u m ) ，第二阶段，当结构发生损伤后，利用实际测量得到损伤结构振 动参数来修改u m 构成损伤模型( m o d e l i nd a m a g e ds t a t e ，d m ) ，通过对u m 和d m 的比较 识别损伤位置与程度。 对于大型的结构，全尺度的结构动力实验具有很大的难度而且不现实。所以对结构 的外部激励和传感器布置有一定的要求，k a s b a i l g a 虹刚将激励类型、激励持续时间、激 励幅值及作用方向等外部激励参数的变化对测试结构的影响进行了研究。当结构组装完 毕或投入使用以后，在线实验过程中传感器的更换和重新布置是非常费时费力的，所以 传感器的最优布置非常重要，皿m 扩7 捌提出了有效独立法是采用f i s h e r 信息阵使感兴 趣的振型向量尽可能地线性无关，从而在试验数据中采集到最大的振型反应信息，文献 4 第一章绪论 2 9 3 1 】在此基础上进行了发展。 由于设备、技术及环境的影响，检测中所布置的测点数远小于结构的有限元建模的 自由度数，所以模态测试的不完备性是在所难免的。目前解决这一问题有两种方法，第 一种方法是将所测得的模态振型用有限元的质量阵和刚度阵进行扩阶【3 2 娜l 。但是结构处 于损伤的情况下，结构刚度或质量会发生变化，因此，结构的刚度和质量信息是未知的， 故结构模态振型的扩阶必然引入振型扩阶的误差，从而加大结构损伤识别的难度。第二 种方法是将有限元的质量阵和刚度阵缩聚到实测的自由度数目，文献【l 】对这种方法的优 点进行了总结。f r e e d 3 4 比较了四种常见的降阶方法：静力缩聚法、改进系统缩聚法、模 态缩聚法、混合缩聚法。 经过以上步骤后，未损伤模型即未损伤结构的有限元模型已建成，下一步任务就是 利用损伤后结构的实测模态信息来调整有限元模型，进行损伤检测。用于检测结构损伤 的振动数据包括频响函数、固有频率、模态振型、模态振型曲率、模态柔度、模态应变 能等，d o e b l i n g 【6 】对此做了较详细的总结。因为频率容易测量且与测量位置无关，频率测 量误差较振型和阻尼的误差小，故基于频率的损伤检测应用非常广泛1 3 5 哪】。基于频率的 模型修正法的损伤诊断效果在很大程度上依赖于有限元模型的精度及测量频率的误差， x i a a 8 】提出了基于频率的统计损伤诊断方法，考虑了在有限元模型及频率测量中存在的 不确定性。但是仅仅依赖特征频率的损伤检测存在许多不足之处【3 9 l ：结构不同部位的损 伤可能导致相似的频率变化，对称位置的损伤产生相同频率的变化，测量得到的特征频 率个数通常低于未知模态参数，导致方程不存在唯一解。在过去的二十多年里发展起了 利用特征频率和模态振型进行结构损伤检测【帅刖】，模态振型的引入可以找出方程唯一解。 由特征频率和模态振型构成损伤方程【4 2 l 可能是静定的，超静定的或者是欠定的，要求寻 找合适的解法求解损伤方程，其中r e n 等 4 3 1 将三种求解方法进行了比较，从诊断结果看 最小平方误差求解方法效果最好，但是该方法可能会不收敛，这时可以借助于s v d - e 方 法求解方程。 p a n d e y a k c 4 4 】( 1 9 9 1 ) 等首先将模态曲率引入到损伤检测中来，模态曲率比模态振型 对局部损伤的敏感度更高，随后p a n d e y 和b i s w a s 4 5 l 通过柔度的变化来进行损伤评估。 c o m w e l l f 4 s 等和y 0 4 7 1 等将应变能的改变作为指标进行损伤检测。 1 2 2 动力指纹分析法 将从动力测试中获取的含有结构特性信息的动力响应及其衍生物理量统称为动力 指纹，“指纹”从信息论角度反映了损伤诊断“由现象到本质”的反问题属性。动力 指纹分析方法就是寻找与结构动力特性相关的动力指纹，通过这些指纹的变化来判断结 构的真实状况。经常用到的动力指纹有：( 1 ) 频率指纹，将结构在健康和损伤状态下的 固有频率进行比较，进而讨论结构的健康状况。在a d a m s 等【4 9 1 和c a w l e y 【5 硼等证明了任 s 河海大学博士学位论文 意两个频率变化之比仅是损伤位置的函数而与损伤程度无关之后，不断地涌现出新的基 于频率的损伤识别指纹，这类动力指纹有归一后的频率变化比、损伤信号指标、组合 损伤指标垆2 j ；( 2 ) 模态指纹，包括模态保证标准( m a c ) 和坐标模态保证标准( c o m a c ) 等。m a c 值与c o m a c 值在0 1 之间，当趋近于l 时表示结构健康，趋近于0 时表示 结构损伤程度严重。( 3 ) 模态应变指纹，包括模态曲率法和模态应变能法等。模态曲率 法的损伤检测效果比模态指纹法更有效，但该方法需要布置足够多的测点。除这些经常 用到的动力指纹外，还有频晌函数指纹【5 3 】，传递函数曲率指纹( 4 8 】等。 除前面介绍的基于振动的损伤检测方法之外，还有许多种无损检测方法，如目测法、 超声波法、声发射法、光谱法、涡流法、磁粉诊断法、红外诊断法、热学诊断法等等 3 , 4 , 5 4 , 5 5 】。 本文仅对基于振动的无损检测技术研究进展和发展动向进行了详细的概述。 1 3 基于神经网络的结构损伤检测的研究进展 随着人工智能的发展，诊断自动化、智能化的要求逐渐变为现实，也是目前研究的 热点。其中神经网络以其强大的并行计算能力和自学习功能及联想能力，很适合作故障 分类和模式识别，因此在结构损伤检测与诊断中很受欢迎。人工神经网络是在物理机制 上模拟人脑信息处理机制的信息系统。人工神经网络产生于4 0 年代，7 0 年代后人工神 经网络处于低潮时期，1 9 8 2 年和1 9 8 4 年美国物理学家h o p f i e l d 发表了两篇神经网络的 重要论文，在神经网络中引入了能量函数的概念，使神经网络的稳定状态有了明确的度 量，再次掀起了神经网络的研究热潮。 神经网络是由许多相互连接的简单神经元组成的并行网络，采用类似“黑箱”的方 法，不依赖模型，通过网络对输入输出样本的学习，利用连接权来记忆和模拟输入与输 出之间的映射关系( 线性或非线性关系) 。由于神经网络具有分布式存贮信息、自适应、 分布并行信息处理、联想记忆、自学习和容错性等功能，近来被广泛应用于模式识别和 分类、图像信号处理、工业过程控制、管理系统和财政金融预测等领域。基于神经网络 的上述优点及高度的非线性映射能力，使得它特别适合于一般分类算法及传统程序无法 解决和模拟的复杂问题。 土木工程中存在许多非线性问题，而且变量之间关系复杂，很难应用数学公式及力 学模型来描述，这为神经网络在土木工程中的应用提供了条件。a d e l i 和y e h 5 6 1 于1 9 8 9 年发表了第一篇关于神经网络在土木工程中的应用，进行简支梁的设计。此后神经网络 被应用于土木工程中各个领域。g e r r e t t 5 7 1 给出了神经网络在土木工程中的定义：在给定 一组能够暗含某种映射关系的数据前提下，一个可以获得、描述及模拟两个多变量信息 空间映射关系的计算工具。基于神经网络的结构损伤检测也在这个阶段逐渐发展起来。 6 第一章绪论 1 3 1b p 神经网络在结构无损检测中的应用现状 b p 网络( b a c k p r o p a g a t i o n n e u r a l n e t w o r k ) 以其结构简单、算法容易实现等优点， 在结构损伤检测中得到了较广泛的应用。t e b o u b 等1 8 运用网络的模式识别能力，诊断了 一根复合材料梁的破损。w u 等【9 】讨论了将加速度反映谱作为输入参数，用b p 神经网络 对一个三层框架进行损伤检测，b p 网络结构为2 0 0 1 0 3 ，输出层的三个单元对应不同层 的损伤，但是从模拟的结果来看，损伤识别效果并不理想。e l k o r d y 等 5 8 1 对主要依赖目 测法及简单现场损伤检测的传统方法的可靠性提出了疑问，并提出了基于b p 算法的结 构损伤监测系统，通过结构信号的改变来诊断结构损伤。该系统利用振动台实验及有限 元分析获得的结构应变模态作为振动信号来训练网络，并指出通过分析由不同类型传感 器所获得的数据来进行损伤检测是一个非常复杂的问题，特别是在数据受到噪声干扰的 情况下，而神经网络能够诊断复杂损伤模式，并且能够较好的处理含有噪声和非完整的 数据。b a r a i 和p a n d e y 5 9 】利用b p 网络对一桁架桥梁进行了损伤检测。m a s d 等将位移 及速度作为神经网络的输入，输出为恢复力，采用自适应搜索技术来避免网络收敛到局 部最小，神经网络结构为2 1 5 1 0 1 。通过对线性和非线性单自由度系统进行损伤检测， 来说明神经网络不仅可以较高精度地近似输入与输出的线性关系，同时可以近似非线性 关系，并且网络具有较强的抗噪能力。m a s r i 等【6 l 】根据非参数系统识别方法将神经网络 用于非参数结构损伤检测，并采用自适应随机收索技术来优化网络。 输入参数的选择对基于神经网络的结构损伤检测非常重要，输入参数应该选择对结 构损伤比较敏感的特征因子。k a m i n s k 【5 1 】提出了将固有频率变化作为神经网络的输入来 近似识别损伤的位置，将固有频率、损伤前后频率变化比、标准化的损伤前后频率变化 分别作为网络的输入，分析了这三种输入对损伤定位的影响，同时讨论了不同隐含层单 元数对网络性能的影响。t s o u 和s h e n c i 0 采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3 个自由度和8 个自由度的弹簧质子系统来 验证所提方法的有效性，文中给出了令人满意的损伤诊断结果，但是对于复杂结构，在 进行现场检测时，模态数据通常都是不完全的，且测量数据通常是受到噪声干扰的。 e l k o r d y 6 2 】等人以一五层框架结构为例，将每种损伤状态下1 到4 层的第一阶振型按第五 层的第一阶振型进行归一处理，然后求得损伤前后振型变化比作为b p 网络的输入参数， 第一步先进行损伤位置的检测，然后再检测损伤程度。采用了两个计算模型来与实验模 型进行对比，发现简化的模型也能得到较好的结果。但是检测结果中有误诊出现，这是 因为，不同的损伤情况可能会产生非常相近的振型变化比。这也表明仅仅依赖振型作为 损伤指标是不足够或不可靠的。文献 3 】将不同损伤情况下简支矩形钢梁的前四阶固有频 率和纵第一阶固有频率作为b p 网络的输入参数，来进行粱裂纹深度和位置的诊断及预 测。同时s a l a v v x l 0 9 l 指出仅仅依赖频率进行损伤诊断，其诊断结果往往是不可靠的。故应 7 河海大学博士学位论文 该发展多损伤指标或者对损伤比较敏感的因子作为神经网络的输入参数，增加网络诊断 的精度。 w o r d e n 等【6 3 】将时间域数据作为网络的输入参数对一框架结构进行损伤定位。 s t e p h c n s 和v a u l u c h c n e l 6 4 提出了一种结构安全状态评估方法，该方法使用多个定量指标 和b p 网络对经过地震破坏后的多层建筑进行了损伤检测和评估。k i m 【6 5 佣敏感性分析 和神经网络来对结构进行健康诊断，诊断过程分为两个步骤：第一步，用敏感性分析和 损伤评估技术，根据单个构件或单元对完整结构破坏概率的影响或者对结构异常行为的 影响，对构件或单元进行排序，根据排序，对关键构件或单元进行诊断；第二步，用敏 感性分析和神经网络确定损伤最可能存在的位置。此外在第一步里，为诊断关键部位， 建议了传感器的最佳布置，通过对一个桁架结构和框架结构进行健康诊断，证明了其方 法的实用性。z h a o 6 6 1 等的研究表明，相对频率和振型，结构的柔度矩阵对损伤是最敏感 的。于德介等【6 7 l 利用结构破损前后柔度矩阵变化作为b p 网络的输入参数，进行损伤位 置及程度的诊断，采用广义空间格点对网络训练样本数据进行了变换【6 8 】，该技术可以很 好的解决由于样本在数据空间分布不匀对网络收敛速度与诊断精度的影响问题。徐宣贵 等 6 9 】研究了以结构第一阶振型曲率差值作为神经网络的输入，识别梁的损伤状态。于德 介等 7 0 】以残余力向量矩阵每行元素最大值和破损前后结构固有频率差值作为b p 网络的 输入参数，通过对一两端固定梁的数值模拟及一个两端弹性支撑梁进行了损伤检测，检 测结果说明了该方法的有效性。苏娟等i n l 以一个槽形梁