摘要：通過(guò)分析小波概率神經(jīng)網(wǎng)絡(luò)(WPNN)與數(shù)據(jù)融合技術(shù)在工程結(jié)構(gòu)損傷識(shí)別中的應(yīng)用原理，建立了基于小波概率神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合技術(shù)的模型。對(duì)懸臂板結(jié)構(gòu)進(jìn)行了數(shù)值模擬試驗(yàn)，運(yùn)用損傷單元數(shù)據(jù)作為輸入向量訓(xùn)練了WPNN與數(shù)據(jù)融合的損傷識(shí)別模型，并選取4個(gè)單元作為檢驗(yàn)樣本進(jìn)行檢驗(yàn)，檢驗(yàn)的結(jié)果與數(shù)值試驗(yàn)分析吻合較好，表明，該方法在工程結(jié)構(gòu)的損傷識(shí)別中有較好的應(yīng)用價(jià)值。

　　關(guān)鍵詞： 結(jié)構(gòu)損傷,損傷識(shí)別,懸臂版,小波概率神經(jīng)網(wǎng)絡(luò)(WPNN),數(shù)據(jù)融合

　　1 引言

　　當(dāng)前，世界范圍內(nèi)建筑工業(yè)的重心正在從大規(guī)模新建轉(zhuǎn)向新建與維修加固并舉[1]。土木工程結(jié)構(gòu)如房屋建筑、橋梁、海洋平臺(tái)等在投入使用之后，由于地震、火災(zāi)、咫風(fēng)等自然災(zāi)害或一長(zhǎng)期作用的疲勞、腐蝕等原因而產(chǎn)生不同程度的損傷，結(jié)構(gòu)損傷經(jīng)過(guò)長(zhǎng)期的累積必然會(huì)導(dǎo)致結(jié)構(gòu)發(fā)生破壞或使用性能降低[2]。結(jié)構(gòu)的損傷檢測(cè)、診斷是土木工程結(jié)構(gòu)經(jīng)歷自然災(zāi)害、長(zhǎng)期作用后進(jìn)行維修、加固的基礎(chǔ)，是一項(xiàng)復(fù)雜的系統(tǒng)工程，其核心的問(wèn)題是基于什么理論進(jìn)行損傷的檢測(cè)[3]。

　　在損傷識(shí)別以及其它的信息獲取及處理過(guò)程中，信息的確定程度主要取決于選用傳感器的種類(lèi)、所選擇的方法以及信息源本身[4]。進(jìn)一步說(shuō)，單一傳感器獲得的信息通常是不完整、不精確的。多傳感器數(shù)據(jù)融合技術(shù)從多源信號(hào)中獲取信息，減小了信息的不確定度，助于幫助制定決策。無(wú)損檢測(cè)數(shù)據(jù)融合近幾年發(fā)展很快。來(lái)自不同國(guó)家的很多人對(duì)它表現(xiàn)出極大的興趣，他們已經(jīng)提出了多種適用于無(wú)損檢測(cè)數(shù)據(jù)融合的模型[5]。本文給出了一種新的基于小波概率神經(jīng)網(wǎng)絡(luò)(wavelet probabilistic neural network , WPNN)和數(shù)據(jù)融合的結(jié)構(gòu)損傷檢測(cè)方法模型，并給出了該模型在結(jié)構(gòu)損傷識(shí)別中的應(yīng)用。

　　2 基于頻率的結(jié)構(gòu)損傷識(shí)別原理

　　運(yùn)用試驗(yàn)測(cè)試的數(shù)據(jù)來(lái)確定結(jié)構(gòu)系統(tǒng)運(yùn)動(dòng)方程中的參數(shù)叫做參數(shù)識(shí)別。參數(shù)識(shí)別的典型過(guò)程包括在結(jié)構(gòu)系統(tǒng)的模態(tài)試驗(yàn)中測(cè)量由于外部激勵(lì)作用下的結(jié)構(gòu)響應(yīng);從響應(yīng)的數(shù)據(jù)中直接地或通過(guò)數(shù)據(jù)處理技術(shù)確定系統(tǒng)的動(dòng)力特性，諸如自振動(dòng)頻率和振型。結(jié)構(gòu)的頻率相對(duì)振型來(lái)說(shuō)更容易較準(zhǔn)確測(cè)量，而且能夠反映結(jié)構(gòu)整體特征，使其成為結(jié)構(gòu)損傷識(shí)別中的重要特征參數(shù)。由于系統(tǒng)的自振動(dòng)頻率和振型是系統(tǒng)參數(shù)如質(zhì)量和剛度的函數(shù)，所以可以將實(shí)驗(yàn)得到的結(jié)構(gòu)動(dòng)力特性與數(shù)學(xué)模型預(yù)測(cè)的結(jié)構(gòu)動(dòng)力特性進(jìn)行比較從而確定系統(tǒng)參數(shù)[6]。結(jié)構(gòu)損傷探測(cè)的基本方法正是基于以上的基本概念而產(chǎn)生的。

　　當(dāng)不考慮阻尼時(shí)，結(jié)構(gòu)振動(dòng)的特征值方程為

　　3 小波概率神經(jīng)網(wǎng)絡(luò)與多傳感數(shù)據(jù)融合技術(shù)原理

　　目前，基于動(dòng)力響應(yīng)的各種智能損傷診斷技術(shù)得到研究，但這些技術(shù)存在著識(shí)別精度不高或適用條件等缺陷。迅速發(fā)展的數(shù)據(jù)融合技術(shù)具有充分利用各個(gè)數(shù)據(jù)源包含的冗余和互補(bǔ)信息的優(yōu)點(diǎn)，可以提高系統(tǒng)決策的準(zhǔn)確性和魯棒性。基于小波概率神經(jīng)網(wǎng)絡(luò)(wavelet probabilistic neural network , WPNN)和數(shù)據(jù)融合的結(jié)構(gòu)損傷檢測(cè)方法將兩者有機(jī)結(jié)合，揚(yáng)長(zhǎng)避短在損傷識(shí)別中顯示出獨(dú)有的優(yōu)越性。

　　為了充分發(fā)揮數(shù)據(jù)融合與 WPNN 的優(yōu)點(diǎn)，提出了基于 WPNN 與數(shù)據(jù)融合的損傷檢測(cè)模型見(jiàn)圖1，它首先將來(lái)自傳感器 1 的結(jié)構(gòu)響應(yīng)進(jìn)行數(shù)據(jù)預(yù)處理、特征提取，采用小波理論，獲得該傳感器的小波能量特征向量;依次類(lèi)推，獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及融合計(jì)算;最后根據(jù)最大的概率密度函數(shù)值得到融合損傷識(shí)別結(jié)果及損傷類(lèi)型。

　　圖1 基于WPNN與數(shù)據(jù)融合技術(shù)的損傷識(shí)別模型

　　可見(jiàn)，基于 WPNN 與數(shù)據(jù)融合技術(shù)的損傷識(shí)別與診斷過(guò)程是根據(jù)從目標(biāo)的檢測(cè)量得到損傷特征向量(模式)，經(jīng)過(guò)數(shù)據(jù)融合分析計(jì)算與處理，進(jìn)行損傷識(shí)別及損傷定位的過(guò)程。

　　4 結(jié)構(gòu)損傷在線檢測(cè)原理

　　結(jié)構(gòu)損傷檢測(cè)的核心技術(shù)是模式識(shí)別，而模式識(shí)別就是將理論分析得到的損傷模式特征庫(kù)與實(shí)測(cè)的模式進(jìn)行匹配。一般先通過(guò)分析各種不同的損傷序列或破壞模態(tài)來(lái)建立模式庫(kù)，然后觀察實(shí)測(cè)振動(dòng)信號(hào)的變化，并將它與可能發(fā)生損傷的模式數(shù)據(jù)庫(kù)進(jìn)行比較，選擇最相似的模式。神經(jīng)網(wǎng)絡(luò)本身具有模式匹配與記憶的能力，而且對(duì)于具有一定噪聲的模式，識(shí)別效果更好。運(yùn)用模式識(shí)別進(jìn)行損傷檢測(cè)與用神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷檢測(cè)是兩種不同的診斷方法，但二者密切相關(guān)，可以用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)模式識(shí)別的損傷檢測(cè)。結(jié)構(gòu)損傷的在線檢測(cè)原理如圖2所示。

　　5 數(shù)值模擬實(shí)驗(yàn)分析

　　為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)技術(shù)在結(jié)構(gòu)損傷檢測(cè)中的有效性，利用ANSYS有限元程序模擬鋼筋混凝土懸臂板，物理參數(shù)為:板長(zhǎng)lm，寬度0.5 m，密度為7.85 ×103 kg/m3，楊氏模量2.02 ×105 MPa，泊松比0.3。數(shù)值模擬試驗(yàn)?zāi)Ｐ蛨D如圖3所示。以單元?jiǎng)偠日蹨p15%來(lái)模擬結(jié)構(gòu)的損傷，并忽略結(jié)構(gòu)損傷引起的結(jié)構(gòu)質(zhì)量的改變。

　　懸臂板無(wú)損傷時(shí)前三階頻率為： =8.3206Hz, =35.6900Hz, =51.7780Hz。(理論值為 =8.5620Hz, =36.8200 Hz, =53.2900Hz),用16個(gè)位置剛度分別降低5%來(lái)模擬單元的損傷情況。

　　圖2 結(jié)構(gòu)損傷在線檢測(cè)原理

　　圖3 數(shù)值試驗(yàn)單元網(wǎng)格劃分圖

　　由于結(jié)構(gòu)中某類(lèi)損傷的發(fā)生可能只與幾個(gè)監(jiān)測(cè)參數(shù)相關(guān)聯(lián)，即只跟損傷狀態(tài)樣本中與該損傷狀態(tài)模式對(duì)應(yīng)的非零特征量相關(guān);同樣，某一傳感器的輸出數(shù)據(jù)也可能與幾類(lèi)損傷狀態(tài)模式有關(guān)。為了充分利用各傳感器的輸出數(shù)據(jù)進(jìn)行損傷檢測(cè)，采用1、3、4、5、6、8、9、10、12、13、14、15、16單元所得到的訓(xùn)練樣本進(jìn)行損傷檢測(cè)與識(shí)別模型的訓(xùn)練，基于 WPNN 與數(shù)據(jù)融合的損傷識(shí)別模型的訓(xùn)練樣本數(shù)可以確定出來(lái)，檢驗(yàn)樣本數(shù)為2、7、10、11單元的數(shù)據(jù)。WPNN模型的拓?fù)浣Y(jié)構(gòu)為20-165-5-5，即輸入層神經(jīng)元個(gè)數(shù)為 20，模式層神經(jīng)元個(gè)數(shù)為 165，求和層和決策層中的神經(jīng)元均為5 個(gè)。模型配置訓(xùn)練好后，用另外2、7、10、11這4個(gè)檢驗(yàn)樣本進(jìn)行檢驗(yàn)，基于 WPNN 與數(shù)據(jù)融合損傷檢測(cè)方法的識(shí)別正確率較好。

　　6 結(jié)論

　　多傳感器數(shù)據(jù)融合損傷識(shí)別性能較好，使用基于 WPNN 與數(shù)據(jù)融合的損傷識(shí)別方法能夠提高損傷識(shí)別與診斷的準(zhǔn)確性與可靠性。多傳感器所采集的信息具有冗余性，當(dāng)其中有一個(gè)甚至幾個(gè)傳感器信息不可靠時(shí)，經(jīng)過(guò)數(shù)據(jù)融合處理后會(huì)使基于 WPNN 與數(shù)據(jù)融合的損傷識(shí)別方法在利用這些信息時(shí)具有良好的容錯(cuò)性。總之，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級(jí)數(shù)據(jù)融合對(duì)結(jié)構(gòu)損傷進(jìn)行診斷與識(shí)別，具有很大的潛力，值得進(jìn)一步在理論與實(shí)際應(yīng)用上開(kāi)展深入研究，這種方法也必定將成為結(jié)構(gòu)損傷診斷研究領(lǐng)域的新方法。

　　參考文獻(xiàn)

　　[1] 李國(guó)強(qiáng)，李杰.工程結(jié)構(gòu)動(dòng)力檢測(cè)理論與應(yīng)用[M].北京：科學(xué)出版社, 2-4

　　[2] Tsou P., Shen M. H. Structural damage detection and identification using neural networks [J]. AIAA Journal, 1994,32: 176-183

　　[3] 楊英杰，虞和濟(jì).結(jié)構(gòu)損傷狀態(tài)識(shí)別的神經(jīng)網(wǎng)絡(luò)方法[J].東北大學(xué)學(xué)報(bào)，1994，15 (2)：210-214.

　　[4] 周先雁，劉希，沈蒲生.用含裂紋的梁?jiǎn)卧�識(shí)別混凝土框架結(jié)構(gòu)損傷[J].振動(dòng)工程學(xué)報(bào)，1999，12(1):115-119

　　[5] 于德介，李佳升.一種基于實(shí)測(cè)模態(tài)參數(shù)的結(jié)構(gòu)破損診斷方法[J].湖南大學(xué)學(xué)報(bào)，1995，22 (4): 121-128