基于神经网络的框架结构构件损伤识别研究
神经网络在结构损伤识别中的应用研究
０ 引言
目前 ， 建筑物都朝着高层化 、 复杂化的方 向发展 ， 而这些建筑物在其服役的期限内， 势必要受到来 自周围 环境及 自然灾害所带来的各种损伤 ， 如地震 、 风灾 、 水灾及材料的 自然腐蚀老化等 ， 导致其结构构件受到不同 程度 的损伤 ． 及 时发现 损 伤及确 定损 伤 的程度 对 于 国民经 济 和人 们 的生 活 安全 具 有 重要 的意 义． 目前 ， 结 构
的损 伤 检测 有多 种方 法 ， 但 多数 都 是基 于试 验 研 究 方 法 ， 通 过 测定 结 构 物 的位 移 或 者加 速 度 等 指标 进 行 判 断， 甚 至有些 时候 会对 结 构物造 成 一定 程度 的损 伤． 人 工神 经 网络是 ２ ０世 纪 ９ ０年代 发展 起来 的一 门新兴 交
叉学科 ， 它是模拟人的大脑而建立起来的一种非线性的动力学网络结构 ， 是由若干个简单 的神经元按照一定 的方 式 连接 而成 的复 杂 网络 系统 ， 其工作 原 理类 似于 黑 匣子 ． 该 系统 能 自动 根 据所 输 入 的样 本 空 间 的特 点 ，
经 过多 次 的迭代 运算 ， 自动找 到输入 和输 出之 问对 应 的非 线性规 律 ， 并 建 立一 个能 够准 确反 映输入 和输 出数 据 之 问 内在 规律 的数 学模 型 ， 从 而 准确 对所 预测 的 目标进 行 判 断 和评估 ． 目前 ， 人 工神 经 网络在 工 程 上被 广
Ｆ ｅ ｂ ． ２ ０ １ ４
神 经 网络在 结构 损伤 识别 中的 应 用研 究
常 虹 张 冰
（ １ ： 吉林建 筑大学测绘与勘查 Ｔ程学院 ， 长春 １ ３ ０ １ １ ８ ； ２ ： 吉林建筑大 学城建学院 ， 长春 １ ３ ０ １ １ １ ）
基于Elman神经网络的门式刚架结构损伤识别
门式 刚架 轻型 房屋 钢结 构属 轻 型钢结 构 的一个 分支 ｌ Ｊ其 主要应 用 范围包 括 单层 工 业 厂房 、 级 ｌ ， 超 市场 和展览 馆 、 库房 以及 各 种 不 同类 型仓 储 式 工 业
及 民用 建 筑 等 ， 广 泛 的 市 场 应 用 前 景 ｌ ］ 但 在 有 ３ 。
同 的 一 种 有 前 景 的 方 法 就 是 结 合 系 统 识 别 、 动 理 振 论 、 动测 试技 术 等跨 学科 技 术 的实 验 振 动模 态分 振
１ 未 受 损 刚 架 模 型 划 分 单 兀 网 格
ａ ｈｅｔ ａｎｉ ｅ ｗ ｏ ｋ ． Ｉ ａ ｈｏｗ ｈ ｔｕｓｎｇ ｎｅ ａ ｅ ｗ ｏ ｋ ｔ ｄ ｎｔｆ ｈｅ ｄ ｍ ａ ｆｓ ｒ ｔ ｅ ｉ ｅ ｓｂｌ ｓ ｔ ｒ ｉ ｎｇ ｎ ｔ ｒ ｔｃ ｎ ｓ ｔ ａ ｉ ｕｒ ｌｎ ｔ ｒ ｏ ｉ ｅ ｉｙ ｔ ａ ｇｅ ｏ ｔｕｃ ｕｒ ｓ ｆａ ｉ ｅ． ＫＥＹ ＯＲＤＳ： ｍ ａ ｔ ｏ ｋ； ｐ ｔ ｌｓ ｅ ｌ ｒ ｍ ｅ；ｄａ ａ ｅ ｉ ｎｔｆｃ ｔｏ Ｗ Ｅｌ ｎ ｎｅ ｗ ｒ ｏｒａ ｔ ｅ ｆａ ｍ ｇ ｄｅ ｉｉａ ｉｎ
摘 要 ： 用 ＡＮＳ Ｓ软 件 对 建 筑 中常 用 的 单 层 单 跨 刚 架进 行 建模 、 载 、 解 ， 到 刚 架 未 受损 和 有 损 伤 的 固有 频 利 Ｙ 加 求 得 率 ， 利 用 ＭＡＴＩ 再 ＡＢ软 件 建 立 Ｅ ｍａ 神 经 网 络 模 型 对 单 层 单 跨 刚 架损 伤 识 别 ， 用 求 得 的 固 有 频 率 作 为 学 ＞ 样 ｌ ｎ 利 － ｊ 本 对 网络 进 行 训 练 ， 用训 练 的 网络 进 行 损 伤 识 别 。 说 明 以 固有 频 率 作 为 标 识 量 的 神 经 网络 模 型 在 结 构 损 伤 识 别 应
基于神经网络的结构损伤识别综述
２ 基 于神 经 网络 技术 的损伤 识别 方 法分 类
基于神经 网络 的损伤 诊 断根据 是否需 要数值 模 型可 分 为无 不管采用有模型的识别法还是无模 型的识 别法 ， 利用神 经 网 模型 识 别 法 （ ｒｅＭｏｅ） 有 模 型 识 别 法 （ ｏ ｅ Ｂ ｓｄ 两 大 络进行损 伤识 别都需要建立一个 知识库 ， Ｆｅ— ｄ１ 和 Ｍ ｄｌ ａｅ ） — 用于神 经 网络 学习 。知 类 。 识库 的准确性和完 善性是 有效 识别 损伤 的关键 。随着 一些 大型
在两个方面与人脑 相似 ：） １ 神经网络获取 的知识是从 外界环境 中
２ 训练神经 网络 即神经 网络 学习 。选 择合适 的神 经 网络结 ）
构， 将知识库 中的损 伤指 标作 为 网络 的输 入 向量组 ， 伤状 态作 损 为网络的输 出 目标 ， 训练 神经 网络 ， 网络学 习输入 与输 出 之间 使
起结构 的某些 特性发 生变 化 ， 这些 变化包 含 了结构 损伤 的信息 ， 模 型修正技术 目前 已经 成为 国内外力 学界研 究的 “ 热点 ” 问题之 通过对变 化的结 构特性分析 ， 就能 够反演结 构是否发 生损 伤以及 利用结构现场实测 的响应信 息修正其结 构有 限元 分析模 型 ， 损伤 的程 度和损坏所在位置 。这是一个 反 问题分 析过 程 ， 为了神 使得修正后结构有 限元模型计算 的响应值 与试 验值 趋于一致 ， 此 经 网络 的学 习 ， 需要建立一个 能够 反映结构性 能变化 与状态 之间 过程 即为结构有 限元模 型修 正 。修 正好 的结构模 型在 生成 样本 相互关 系的知识库 。神 经 网络通过 对专 家经 验建立 的知 识信 息 库时 ， 由于样 本很 多 ， 可通 过建模 软件 的一 些 编程 功 能实 现 ， 如
基于机器学习的结构损伤识别与评估技术研究
基于机器学习的结构损伤识别与评估技术研究随着科技的不断发展，建筑结构的损伤识别与评估变得越来越关键。
传统的损伤检测方法需要大量的人力和时间，而且结果可能不够精确。
然而，近年来，基于机器学习的结构损伤识别与评估技术逐渐成为了研究的热点。
本文将探讨基于机器学习的结构损伤识别与评估技术的原理和应用。
一、机器学习在结构损伤识别中的应用机器学习是一种人工智能的分支，它通过从数据中学习并建立模型，对未知数据进行预测和分类。
在结构损伤识别中，机器学习可以通过分析结构的振动特征，识别和评估结构的损伤情况。
以下是机器学习在结构损伤识别中的几种常见方法：1. 支持向量机（Support Vector Machine，SVM）支持向量机是一种监督学习方法，它通过寻找最佳的超平面，将不同类别的数据点分隔开。
在结构损伤识别中，SVM可以通过分析振动信号的特征参数，如频率和振幅，判断结构的损伤程度。
2. 随机森林（Random Forest）随机森林是一种集成学习方法，它通过构建多个决策树并综合它们的结果来进行预测。
在结构损伤识别中，随机森林可以通过分析结构的振动响应和频谱特征，判断结构的损伤位置和类型。
3. 深度学习（Deep Learning）深度学习是一种基于神经网络的机器学习方法，它模仿人脑神经元的工作方式，通过多层次的神经元网络来提取和学习数据的特征。
在结构损伤识别中，深度学习可以通过分析结构的振动信号和图片信息，实现对结构损伤的自动识别和评估。
二、基于机器学习的结构损伤识别与评估技术的优势基于机器学习的结构损伤识别与评估技术相比传统方法具有以下几个优势：1. 自动化：机器学习可以通过对大量数据的学习和分析，实现对结构损伤的自动识别和评估，大大减少了人力成本。
2. 高效性：机器学习算法可以快速处理大量的数据，并在短时间内给出准确的结果。
3. 精确性：机器学习可以通过建立合适的模型，从大量的数据中提取有用的特征，并实现对结构损伤的精确识别和评估。
用神经网络方法识别结构损伤的研究
关 键
词 ：神经 网络 ；结 构 ；识别
文献标识码 ：Ａ
中田分类号 ：哪 ７ ６ １ ３ ４ ． ：０２ ３
近年来建筑行业突发事故频频发生 ， 重者整座 建筑物倒塌 ， 造成很大的经济损失 ． 建筑结构与人 们生活息息相关， 建筑结构工程中常常存在着表面 破损及一些肉眼不可见的内部潜在缺陷， 如梁板的 裂缝、 火灾后混凝土的过火 、 钢结构的开焊等， 随之 结构的动力参数都将发生相应变化 ． 因此 ， 能及时 准确识别结构动力参数 ， 对于预测评价建筑结构的 健康状况将具有十分重要的意义 ． 结构故障诊断主要包括三方面的内容： 结构损
不需要严格建立推导反问题的方程， 也不需要表示 输入输出之间的算子， 这对于解决反问题是最重要
的．
１ 结构损伤神经网络识别模型
众多神经网络模型中，Ｐ 反向传播） Ｂ（ 网络适于
结构损伤问题 ． 网络学 习训练的过程包括 网络内
部的前向计算和误差的反向传播 ， 目的就是通过 其 伤识别， 结构损伤定位和结构损伤程度的标定与评 调节网络内部连接权使网络误差最小化 ． 价． 损伤识别是进行结构故障诊断的基础，目 前国 对于单隐层 Ｂ 神经网络 ， Ｐ 其网络内部前向计 际上关于结构故障诊 断的研究多集中在损伤识别 算如下 ： 的层次上 ； 损伤定位是进行结构故障诊断的核心 ， （） 入层 节点 的输出 等于其输入 ； １输 也是问题的难点所在 ； 结构损伤程度的标定和评价 （） ２ 臆层节点 ｍ的输入与输出 是进行结构完整性评价、 实施维修或报废决策的依
文 章 ■ 号 ：ｏ ｏ一１４ （０ ２ ０ １０ ６ ６ ２０ 】２—０ ６ １３—０ ３
用 神经 网络方法识别 结构损伤 的研究
基于神经网络的混凝土结构损伤诊断方法研究
基于神经网络的混凝土结构损伤诊断方法研究一、研究背景混凝土结构在工程建设中占有重要地位，但随着使用年限的增加，混凝土结构的损伤问题逐渐凸显。
传统的损伤诊断方法需要专业人员进行现场检测和分析，成本较高且存在一定的主观性。
针对这一问题，基于神经网络的混凝土结构损伤诊断方法逐渐得到了广泛关注。
二、研究内容1. 基于神经网络的混凝土结构损伤诊断方法原理神经网络是一种模拟人脑神经元的计算模型，可以实现复杂的非线性函数拟合。
在混凝土结构损伤诊断中，神经网络可以通过学习已知的损伤样本，构建一个模型，实现对未知混凝土结构损伤的识别和预测。
2. 神经网络模型的建立神经网络模型的建立需要进行数据采集和处理。
一般可以通过混凝土结构的振动信号、声波信号、电磁波信号等获取数据，并进行预处理。
例如，可以采用小波分析进行信号去噪，再提取特征参数作为神经网络的输入。
3. 损伤诊断实验设计在实验设计中，需要考虑混凝土结构的不同损伤类型和程度，并针对不同的损伤类型和程度建立相应的神经网络模型。
同时，需要进行模型的训练和测试，并对模型进行评估。
4. 实验结果分析通过分析实验结果，可以评估神经网络的诊断效果和性能。
例如，可以计算模型的准确率、召回率、F1值等指标，对模型进行优化和改进。
三、研究意义基于神经网络的混凝土结构损伤诊断方法具有很大的应用前景。
首先，该方法可以实现对混凝土结构损伤的快速、准确诊断，提高结构安全性。
其次，该方法可以降低诊断成本，减少专业人员的需求。
最后，该方法可以为混凝土结构的维护和管理提供有力的支持。
四、研究展望目前，基于神经网络的混凝土结构损伤诊断方法还存在一些问题，例如数据不足、模型训练复杂等。
未来的研究可以从以下几个方面展开：（1）增加样本量，提高模型的泛化能力；（2）优化神经网络结构，提高模型的诊断效果；（3）探索其他信号处理和特征提取方法，提高数据处理的效率和准确性。
建筑工程中基于深度学习的结构损伤识别技术教程
建筑工程中基于深度学习的结构损伤识别技术教程建筑工程的结构安全对于人们的生命财产安全至关重要。
然而，由于日常使用和自然灾害等原因，建筑结构可能遭受损坏或损伤。
因此，开发一种准确可靠的结构损伤识别技术对于保障建筑安全至关重要。
随着深度学习技术的发展，基于深度学习的结构损伤识别技术逐渐受到研究者们的关注。
深度学习是一种模拟人类大脑神经网络的机器学习技术，通过模拟神经元之间的连接与传递信息过程，使机器能够从大量数据中学习并做出准确预测。
在建筑工程中，基于深度学习的结构损伤识别技术可以通过分析结构的振动、位移、应变等数据，判断出结构是否存在损伤，并进一步定位和识别具体的损伤类型。
以下是基于深度学习的结构损伤识别技术的教程，包括数据准备、模型构建和模型训练三个主要步骤。
1. 数据准备数据准备是基于深度学习的结构损伤识别技术的第一步。
首先，收集并整理与结构损伤相关的数据。
这些数据可以包括结构的振动数据、位移数据、应变数据等。
确保数据具有高质量和充足的样本数量对于实现准确的结构损伤识别至关重要。
接下来，需要对数据进行预处理。
这包括数据的去噪、标准化和特征提取。
去噪可以通过滤波等信号处理方法实现，以消除数据中的噪声干扰。
标准化可以使数据具有相似的尺度和分布，以便于模型训练。
特征提取则是为了提取最具有代表性的结构损伤特征，以便于模型学习和预测。
2. 模型构建在数据准备完成后，接下来需要构建基于深度学习的结构损伤识别模型。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和深度自编码器（DAE）等。
卷积神经网络在图像处理领域取得了很大的成功，适用于处理结构损伤识别中的模式识别问题。
循环神经网络则适用于处理序列数据，能够考虑前后时刻的数据关联性，对于时间序列数据的结构损伤识别具有优势。
深度自编码器可以学习数据的低维表示，对于维度较高的结构损伤数据有很好的潜在特征提取能力。
根据实际情况选取合适的深度学习模型，并根据数据的特点进行适当的调整和优化。
神经网络用于结构损伤识别的几个关键问题研究
ｐ ｏ ｌ ｍｓａ ｏ ｔｔ ｅ ｄ ｉｉｎ ｏ ｐ ｍａ ａ ｌ ｏ ｅ ｅ ｉ ｔ ｉｔ ｂ ｔ ｎ， ｅ ａ ｓｒ ｃ ｏ ｎ ｓ ￣ｌ ｏ ａ＇ ｔｌ ｏ ａ ｇ ｅｅ ｔ ｎ ｒ ｂ ｅ ｂ ｕ ｅ ｓｏ ｏ ｔ ｌ ｓ ｍｐ ｅ ｔｇ ｔ ｒ ｗ ｔ ｉ ｄ ｓ ｉ ｕ ｏ ｔ ｂ ｔ ｔ ｎ ａ ｄ ｄ ｐ ｈ ｃ ｆ ｉ ｈ ｈ ｓ ｒ ｉ ｈ ａｉ ｉ ｏ ｆ ｐ ｌ ｍｅ ｅ ｆ ｄ ｍａ ｅ ｄ ｔ ｃｉ ａ ￣ ｏ ｗｅ ｅ ｓｕ ｉｄ ｈ ｒ ｉ ． ｒ ｔｄ ｅ ｅ ｎ ｅ
分 布 、 伤 识 别 参数 的 提 取 和 处 理 等 几 个 关 键 问题 进 行 了 研 究 。 损
关 键 词 ：神经网络
损伤识别
样本点
输入参数
遗 传算法
ＳＴＵＤＹ Ｆ ｏ ＳＥＶ ＥＲＡＬ ＫＥ Ｙ ＰＲｏ ＢＬＥＭ Ｓ ｏＦ ＥＵ ＲＡＬ ＥＴＷ ｏ ＲＫ Ｓ Ｎ Ｎ ＵＳ Ｇ Ｆｏ Ｒ ＤＡＭ ＿ ＧＥ Ａ ＤＥＴＥＣ ｏ Ｎ ｎ
１ 概 述
构 破 损 评 估 成 为 可 能 。 Ｊ 神 经 网络 是 模 拟 人 脑 或 神 经 系 统 的 功 能 发 展 而 来 的 ， 并 广 泛 应 用 于 各 个 工 程 领 域 ， 管 神 经 网 络 技 术 并 不 是 专 门 为 尽
结 构 的破 损 诊 断 、 估 和 加 固 是 当前 结 构 工 程 学 科 十 分 评
网 络 能 否 识 别 结 构 的 损 伤 、 别 效 率 的 高 低 都 取 决 于 网 识
络 本 身 的 好 坏 。为 了 改 善 网 络 性 能 、 高 网 络 预 测 的 精 度 、 提 建 立 性 能 可 靠 的 网络 ， 文 针 对 应 用 神 经 网 络 对 结 构 损 伤 识 本 别 中 的样 本 点 数 量 及 分 布 、 人 参 数 以 及 参 数 处 理 等 几 个 关 输 键问题进 行了探讨 。
基于神经网络的复合材料损伤识别技术研究
基于神经网络的复合材料损伤识别技术研究随着科技的发展，复合材料的应用越来越广泛。
但是由于材料的复杂性和使用环境的复杂性，复合材料往往容易遭受损伤，影响材料的使用寿命和性能。
因此，如何快速准确地识别复合材料的损伤，成为了研究的热点之一。
在这个背景下，基于神经网络的复合材料损伤识别技术应运而生。
一、神经网络入门神经网络是一种数学模型，它可以通过学习大量数据来实现特定任务。
神经网络模拟了人类的神经系统，具有学习能力、通用性、自适应性等特点，能够模拟人类的感知、思维和决策能力。
近年来，随着计算能力的提升和数据量的增加，神经网络在各个领域都得到了广泛应用。
二、复合材料损伤识别技术复合材料的损伤种类多样，常见的损伤包括裂纹、疲劳、层间剪切等。
传统的损伤识别方法往往需要专业知识和经验，识别准确率较低。
而基于神经网络的损伤识别技术则可以通过学习大量的数据，判断材料的损伤情况，识别准确率较高。
基于神经网络的复合材料损伤识别技术通常分为三个步骤：数据采集、模型建立和损伤识别。
首先，需要采集材料损伤前后的数据，如声发射信号、电阻率等。
然后，利用神经网络模型进行训练，学习数据之间的联系和规律。
最后，通过识别模型对新的数据进行识别和分类。
三、优势和应用基于神经网络的复合材料损伤识别技术具有以下优点：1. 非线性映射能力：神经网络能够对非线性数据进行映射，适用于复杂的损伤情况。
2. 自适应性：神经网络可以通过不断学习适应新的数据和环境变化。
3. 高精度：由于神经网络拥有较强的泛化能力，可以对未知数据进行较高的识别准确率。
基于神经网络的复合材料损伤识别技术可以广泛应用于航空航天、能源、交通、建筑等领域。
例如，可以通过监测桥梁、风力发电机叶片等结构的损伤情况，提前预防和处理可能的事故和故障。
同时，该技术还可以优化材料设计和制造流程，提高材料的可靠性和性能。
四、挑战和展望尽管基于神经网络的复合材料损伤识别技术具有很多优点，但是仍然存在一些挑战和限制。
基于神经网络法的多层空间框架结构损伤检测
体 是哪个杆件损伤还需进一步识别 。 第二步训 练 ： １ ，， 用 ， ３４分别代 表前后 左 ２ 右 四根杆件 。需 要用来训练 和检验的各种损 伤 工况与第一步相 同如表 １为 了解决 结构对称 眭 。 问题 ， 在每一层取 一个节点共 ８ 个节点 ， 同样利 用 Ａ Ｓ Ｓ的 Ａ Ｄ 命 令来实现杆 １ ＮＹ ＰＬ 到杆 ６ 从 ４ １ ％到 ９％各种破坏程度 的逐次破 坏 ，并获得 ０ ０ 这 ８ 节 点在 Ｙ方 向的第 一 阶 阵型 和在 ｘ方 个 向的第三 阶振型 ，目的是 为了利用节点在 Ｙ方 向和 ｘ方 向的不同对称 性。第二步训 练的神经 网络输入层 有 １ 个 单元 ，中间包含 一个 隐含 ６ 层 ， 出层 有一个 单元 ， 表损 伤 的具体 位置 ， 输 代 即 １ 输入 １ ６ 输出 ３ 层神经 网络系统 综合两
震 和火灾 ） 后 ， 发生 各种 损伤 ， 使 作用 可能 从而 结 构无 法 满足 使用 功 能 的要求 或 使 安 全性 降 低 。应及时 的对 这类 建筑物进 行损伤检测 与评 估 ， 断其缝康 状况 ， 针 对其损 伤程度 的不 同 判 并 提出相应 的保 护和改善措 施 ，减少和避免 不必 要的人员伤亡和财 产损 失。 使用 Ｂ Ｐ神经 网络法 对结构进行损 伤检测 ，通过分 步训练 的方 法可 以很好 的判 断多层空 间框 架结构损伤 的位置和 程度 ，该方法还 可应用于 对超高层 以及 多跨空 间框架结构 的损 伤检测。 １ 模态分析理论
基于改进神经网络的建筑结构损伤识别方法研究
网络 的输入是 结构 的频 率和 振型 ，神 经 网络 的输
出是 结构 的质量 和 刚度 。一个 简化 的有 限元模 型 用 来产 生神 经 网络 训练所 需 要 的数 据 ，最 后讨 论 了观测 误 差对 损伤 识 别 结果 统计 特 性 的影 响 。 Ｊ
袁 勇 （ ０３ ２ ０ ）运 用系 统识 别 原理 ，结合 混凝 土材 料 的微 观孔 结构 模型 建立 了材 料微 孔 结构 识别 理
的位 置和损 伤程度作为网络输 出， 出了基 于神 经网络的建筑结构损伤识别方法 。讨论了神经网络训练方法和 提 隐含层 节点数 目对 目标函数的影响 ，分析 了网络训练 的训练不足和 训练 过度 等 问题 。以简单 的建筑结构为例 ，
基 于 ＭＡ Ｌ Ｔ ＡＢ 的 ＧＵ 工 具 进 行 了 Ｂ Ｉ Ｐ神 经 网 络 的 设 计 和 分 析 。数 值 反 演 结 果 表 明 ，所 改进 的 建 筑 结 构 损 伤 识
经 网络 主 要是用 于 体现 学 习和信 息 处理 的计 算模 型 ， 自学 习是 它 的一个 重要 的功 能特 征 ，它 可 以
通 过例 子也 可 以通 过和 周 围环境 的相 互作 用 来学
结构动 力模 态和 静 态位 移 的结构 参数 识别 方法 。 陈隽 （０７ ２０ ）利 用 一个 三层 剪切 型结 构模 型在 各
基于神经网络的空间桁架结构损伤三重识别
第 ２期
马 俊 ： 于神 经 网络 的 空间桁 架结构 损伤 三 重识 别 基
２９ ５
进行 识别． 首先 确定 损 伤构 件 所 在 的 层 ， 后 在 已 然 知 的损伤层 中确 定具 体 的损伤 构件 ， 后确 定构 件 最
的损 伤程度 ． １ 确定 损伤层 ． 同一 层 中 同一类别 的构件 损 ） 以
第 ２ 卷 第 ２期 ８
２ １ 年 ０ 月 ００ ３
文 章编 号 ： ０８ １０ （Ｏ Ｏ ０ 一Ｏ ５ 一Ｏ １０ — ４２ ２ Ｌ ） ２ ２８ ４
Ｖｏ ． ８ Ｎｏ ２ １２ ．
Ｍａ． ｒ ２ １ ００
基 于神 经 网 络 的 空 间桁 架 结 构 损 伤 三 重 识 别 ①
损伤程 度．
损 伤 识别 中最 常用 且 最 有效 的两 种神 经网 络
是 Ｂ Ｐ神经 网络 与 Ｒ Ｆ神经 网络． Ｐ神经 网络 即 Ｂ Ｂ
迅速发展 ， 比较 成 熟 的 损 伤 识 别 方 法 有 损 伤 指 标 法、 模型修正 法 、 灵敏 度分析 法［ 等 ． 】 桁架是 工程 结 构 的常用构 件 ， 桁架 的损伤 关系 到工程结 构的整 体 安全， 因此 ， 有必 要 对桁 架 的损 伤位 置 与损 伤 程度
进行识别 ， 保证结 构 的 安全． 经 网 络 由于 其 高度 神 的鲁棒性 、 容错性 和 非线 性 性 能 ， 在结 构 损 伤领 域 中有着 、 隐含层 、 出层 输 组成， 各层 均有 独 立 的神 经 元 ， 同层 神 经元 之 间无 连接 ， 相邻层 神 经元 之 问 通 过权 值 全 连接． 训练 过 程分 为正 向传 播过 程与 反 向传 播过程 ． 向传播过 正
中图分类 号 ： Ｔ １ ． Ｕ３ ２ ３
基于高效神经网络的框架结构节点损伤的多重分步识别方法
主要分 为四步：第一步利用神 经网络建立损伤异常过滤器对
节点损伤进行预警；第二步以频率构造 的组合指标作为神 经
网络输入向量 ， 节点损伤进行初步定位 ； 对 第三步以归一化 的 应 变模 态差绝对值作 为神 经网络输入向量，对 节点损伤进行 具体定位；第四步以应 变模 态差绝对值作 为神 经网络输入 向
【 要】提 出了基于神 经网络的框 架结构节点损伤 的多重分 摘 步识别方法 ，建立 了用于框架结构节点损伤识 别的高效神经 网络法。 根据节点损伤 的多重分 步识别思路 ， 把节点损伤识别 ｎ ｔ ｏｋｈｓｂ ｅ ｓｄｔ ｌ ｍ ｅｄｍａｅｉ ｓ ｃ ｒｌｏ ｔ ｅ ｒ ａ ｅｎ ｕｅ ａ ｒ ｔ ａ ｇ ｔ ｔ ａｊｉ ｓ ｗ ｏ ａ ｈ ｎ ｕｕ ｎ．
Ｊ 建筑与结构设计
１ｒｈ ｅｔｒ ｄ ｔ ｃｕａＤ ｓ Ａ ｃ ｉｃｕａａ Ｓｒ ｔｒ ｅ ｔ ｌｎ ｕ ｌ
【 章 编 号】 ０ ７９ ６ （０ ０ １．０ ４０ 文 １０ ．４ ７ ２ １）００ ５ —５
基于高效神经 网络的框架结构 节点损伤的多重分步识别方法
■ 杨佑发 ， 陈远 （ 重庆 大学 土木 工程 学院 ， 重庆 ４ ０ ４ ） ０ ０ ５
量 ， 节点 损伤 程 度 进行 识 别 。 对 三跨 四层 的框 架 结构 进 行ｇ ｄｇｅ ｏｔｅｏｎｉｄｔ ｍｉｅ ｂ ｎ ｅＮ ＭＣＦｎ ｌ ， ｄ ａ ｅ ｅｒｅ ｆ ｊｉ ｓ ｅｅ ｎ ｄ ｙ ｌｈ ａ ｈ ｔ ｒ
ｔ ｅ ｅ ａ ｎ ｔ ｏ ｋｗｉ ｉｐ ｔ ｇｔｅｄ ｍａ ｅ ｎ ｅ Ｓ Ｃ． ｈ ｎ ｕ ｌｅ ｒ ｗ ｒ ｈ ｔ ｎ ｕｉ ｈ ａ ｎ ｇ ｉｄ ｘ Ｍ
（ ｏｌ ｅ ｆ ｉｉ ｎ ｉｅｒ ｇ ｆ ｈｎ ｑ ｇ ｎｖｒｉ ， ｈｎ ｑｎ Ｃ ｌ ｇ Ｃ ｖ ｇ ｅｎ Ｃ ｏ ｇ ｉ ｉ ｓｙＣ ｏ ｇ ｉｇ ｅ ｏ ｌ Ｅ ｎ ｉ ｏ ｎ Ｕ ｅ ｔ ４ ０ ４ ， ｈ ａ ０ ０ ５Ｃ ｉ ） ｎ
基于RBF神经网络的钢框架梁端节点损伤识别
第 ２ 期
薛
强 等 ： 于 Ｒ Ｆ神 经 网络 的 钢 框 架 梁 端 节 点 损 伤 识 别 基 Ｂ
Ｖｏ ． ３ Ｎｏ ２ １４ ．
Ａ ｐｒ ２ １ ． ０１
基 于 Ｒ Ｆ神 经 网络 的钢 框 架 梁 端 节 点 损 伤 识 别 Ｂ
薛 强 ， 际 平 郑 粤 郝 ，
（ ．西 安 建 筑 科 技 大 学 土 木 工 程 学 院 ， 西 西 安 ７０ ５ ；． 安 建 筑 科 技 大 学 建 筑 设 计 研 究 院 ， 西 西 安 ７ ０ ５ ） １ 陕 １０５２西 陕 １０ ５
摘
要 ： 有 效 识 别 钢 框 架 梁 端 节 点 损 伤程 度 及 半 刚 性 节 点 刚 度 参 数 ， 出 采 用 钢 梁 位 移 模 态 和 曲 率 模 态 指 为 提
标 作 为 神 经 网 络 的输 入 参 数 ， 于 ＲＢ 基 Ｆ神 经 网络 对 刚 框 架 梁 端 节 点 损 伤 程 度 进 行 参 数 识 别 研 究 ． 果 证 明 ， 结 位 移 模 态 识 别 损 伤 位 置 的 准 确 度 高 于 曲率 模 态 ， 损 伤 程 度 的 识 别 曲 率 模 态 优 于 位 移 模 态 ． 中位 移 模 态 损 对 其 伤 识 别 误 差 小 于 ｌ ％ ， 率 模 态 识 别 误 差 小 于 ５ ， 出基 于 Ｒ Ｆ神 经 网络 可 以 较 好 的 识 别 节 点 损 伤 及 半 刚 Ｏ 曲 得 Ｂ 性 刚 度参 数 ． 关键 词 ：Ｂ Ｒ Ｆ神 经 网 络 ； 框 架 ； 点损 伤 识 别 钢 节 中图分类号 ： ＴＵ３ ５ ７ 文献标志码 ： Ａ 文 章 编 号 ：０ ６７ ３ （ ０ １ ０— １２０ １ ０ —９ ０ ２ １） ２０ ９—６
基于神经网络方法的框架结构损伤检测的试验研究
国家 自然科学 基金 （０ ７ ０ １ 与教 育部博士点专项基金 （０ ３４ ７ １ ） ５３ ８ ４ ） ２ ０ ０ ８０ ６ 联合资助项 目
收稿 Ｈ期 ：２ ０ ０ ４—１ ０ 修改稿收到 日期 ：２ ０ ０— ８ ０ ５—０ ｌ一１ ４
第一作者 李
林 男， 博士｜ １７ 年生 牛， １ ９
— —
（） １
为解决上述问题 ， 近年来 ， 人工神经 网络（ ｒ ｃ ｌ Ａｔ ｉ ｉ ａ ｉ ｆ Ｎｕ ｌ ｅ ｏ ） ｅｒ ｔ ｒ 方法 在有 限元模 型修 正 和损伤 诊 ａＮ ｗ ｋ 】 断 中得到了广泛的应用 。朱宏平等运用基于 自适 应 Ｂ 算子的结构损伤检测方法对 ５自由度结构在不 Ｐ 同工况下的损伤状态进 行了识别 ， 通过数值仿真和实 例 计算 结果 说 明 了所 提 出 的改 进 自适 应 Ｂ Ｐ算 子 较 标 准 Ｂ 算法的优点Ｅ 。本文利用这种改进 的自适应 Ｂ Ｐ ４ １ Ｐ 算法 ， 首先对一 ３ 层试验框架模型（ 无损伤状态 ） 的有 限元模型进行 了修正 ， 然后在修正的有 限元模型 的基 础上 ， 对各损伤工况进行损伤识别。
识别。
通常的网络训 练是采用梯度 下降算 法 ， 这种算法 存在收敛速度慢 ， 容易收敛到局部最小等缺点 ， 由此 出 现了各种改进算法 ， 如变学 习率算法 、 附加动量法 、 共 轭梯度法和 Ｌｖｎｅ ． ａ ｕｒｔ ｅｅｂｒ Ｍ ｒ ａ 算法 等 ， 同程度 ｇ ｑ ｄ 不 的改进了网络的学习效率。对 于包含几百个权值的网 络来说 ，ｅｅｂｒ Ｍ ｒｕｒｔ 法 具有 很快 的收敛速 Ｌｖｎｅ － ａ ａ 算 ｇ ｑ ｄ 度 。ＬｖｎｅｇＭａｑａｄ 算 法 利 用 下 式 对 网络 的权 值 ｅｅｂｒ． ｒｕｒｔ 和 阈值进 行调 整 ： Ｘ ＋ ＝ Ｉ－ ］ ｅ Ｘ 一［ ＋ ，， 式中： ＋， ——第 Ｋ＋ ， ｌ 步权值 标量参数 ， —单 位矩 阵 —
基于人工神经网络的钢结构损伤识别
ｉＩｒｃ ｅｎ ｏｔ ｓ— —ｓ ｄ ｄ ｆＰｕ ｌ ｄ
工 程技 术
基于人工神经 网络 的钢结构损伤识别
李 立乡 王 旭
（ 南京高等职业技 术学校 ， 江苏 南京 ２ ０ １ ） １０ ９
摘 要： 由于神 经网络 的ｊ线性 映射 、 适应及 自学习的能力已越 来越 多地 用于结构损伤识别 中， ｝ 自 本文根据 网络参数选择 的原 则建立 了一个 三层 Ｂ Ｐ神经 网络结构损 伤识别模 型， 对一 简支钢板进行 了分析。为避免单一频率或模 态振型作 为输入向量带来的误 差， 选用与损伤位 置和 程度相关的组合参数 ： 即结构损伤前后 的频 率变化平方和 少点模 态 型作为输入参数 。 振 利用训练好后 的网络 对损伤模 型进行诊断和预测 ， 取
ＣＫ ｍｉｓｉ￣０ ．ａ ｎｋｔ 分别采 用 自振 频率 、 ３ ￥ 频率 变化量 以及正则化 的频率变化率作 为神经 网络损伤识 别 的输入参数 ， 比较了其有效性 。Ｍ．．ｌｏｄ 并 ＦＥｋｒｙ 『１ ４等采用 Ｂ Ｐ神经 网络 ， 利用振型 的变化量 作为 输入参数识别 了一五层框架 结构的损伤 。梁板 是工程结 构中的基本单元 ，本文采用一个 三层 Ｂ Ｐ神经 网络对一简支钢板进行了损伤识别 。 １人 工 神 经 网络 概 述 人工 神经网络是 由大量 的简单 的神经 元广 泛地相互 连接而成 的网络结 构。它具有非 线性 映射能 力 ：多层前馈 网络能学习和存贮 大量的 的输入 和输出模式 映射关系 ，是一种无模 型非 线性 问题 求解方法 。应 用神经 网络方法来 解决 反 问题 ， 只需 要输 入 、 出数据 ， 输 就能 完成 由 １ １ 维输入空 间到 Ｉ 维输 出空 间的非线性 映射 。泛 ｌ ｌ 化能力 ： 多层 前 馈 经 训 练 后 ， 样 本 的非 线 性 映 将 射关 系存 储在 权值矩 阵中 ，当 向训练完 毕的网 络输入 未曾见过 的非样 本数据时 ，网络 也能完 成从输入到输出的正确映射。容错能力 ： 允许输 入样本 中带有 较大 的误差甚 至个别错误 。鉴于 以上特点 神经网络用于损伤 识别得到越来越 广 泛的应用 。 神经 网络用 于损伤 识别 的基本 方法 是 ： 根 据结构在 不同状态 （ 同损 伤位置 的不 同损伤 不 程度 ） 的响应 ， 通过 特征抽 取 ， 择对 结构损伤 选 较敏感 的参数 作为网络 的输入 向量 ，结构 的损 伤状态作为输 出 ， 建立损伤分类训 练样本集 ， 然 后对网络进行训 练 ；当网络训 练完毕并经测试 后， 即具 有模式 分类功 能。对于每一输入 的状态 信 息 ，根据给定 的原 则将其归 到最 接近的类别 中 见图 １
基于BP网络识别框架结构损伤的研究
第３ ３卷 第 ｌ ４期
・
７ ・ ０
２０ ０７年 ５月
山 西 建 筑
Ｓ ＨＡＮＸ Ｉ ＡＲＣＨＩ ＴＥＣｒＵＲＥ
Ｖ０． ３ Ｎｏ． ４ １３ １ Ｍａ ｙ． ２ ０７ ０
文章 编 号 ：０９６ ２ （０ ７ １—０ ００ １０ —８ ５ ２０ ）４０ ７ —２
建于二十世纪五六 十年代 ， 的 已接 近设计 基准期 ， 的 由于种 低 ， 有 有 会使 曲率 的幅值增 大。而这种变 化是局部 的 ， 因此利用 曲率
种原 因， 同程度地受到 了破损 ， 不 存在着一些质量隐患 。这些损伤 值 的变化 可以识别损伤 。
和质量隐患有时会造成工程结 构的严重破坏 甚至倒塌 。近 年来 ， 由于结构 曲率模态振型是位移模态 振型的二阶导数 ， 在结构 得结构 的振型 曲率 ：
Ｏｉ ： ＇ｊ ｒ
，
因结构破坏造成的严重人员伤亡及财产损失在 国内屡屡 出现 。因 有 限元离散模 型的振动模态分析 中， 以用 中央差分公式 近似求 可 此， 加强钢筋混凝土框架结构损伤识别的研究是十分必要的。
神经 网络是模拟人脑或神经 系统 的功能发展而来 的， 广泛 并
应用于各个工程领域 ， 尽管神经网络技术并 不是 专 门为损伤识 别 设计 的， 但其模式识别 的能力使得 它适 合于工程 中的损伤检测 。
（） ２
其 中， ， 为计算节点处 的位移 振幅 ； ＋
一 为其相邻 １
，，
最早将神经网络 用于 结构 损伤检 测 的是美 国 Ｐ ｒｕ大学 的 点 的位移振幅 ； ｕｄ ｉ为节点序 号 ； 为模态 阶次 ； ｈ为相 邻两 节点 的
即单 元 长度 。 ｖ肌ｋｔ ｕ ｒ ｎａ Ｃ ａ … ， ａ ｓｂａ ｉ ａ ｍａ ｎ和 ｈｎ 目前人们使用过 的网络模型有 Ｂ 距 离 ， Ｐ 基于振型 曲率 ， 中提 出用 振型 曲率 比作 为 损伤 识别 的参 文 神 经 网络 、 向基 函 数神 经 网络 、 率 神 经 网络 、 糊 神 经 网 径 概 模
基于BP神经网络算法的混凝土单层框架损伤识别
０ ０
Байду номын сангаас０
Ｏ ０
０
０
０
０
Ｏ
Ｏ
０ ０
Ｏ
０
Ｏ
０ ０
●
０ Ｏ
Ｏ
０
Ｏ
Ｏ
１
Ｏ
１ ｌ
ｌ
ｌ
１
ｌ ０
Ｏ
∞ ∞∞ ∞ 蝴蝴 槲姗 ∞∞∞
ｌ５ ０８ ０１ Ｏ ７ ０９ ｌ０
ｏＩ ９７
０ ７ ６Ｉ Ｏ１ ３ ６ ０ ２ ６０
０７３７
１７ ５９ ２ ９ ０ ３ ０ ５ ９９ ｌ０ ７９ ２ ６ ５８ ｌ９ １０ ２ ８ ９７ ｌ ６ ｌ３ ０ ６ ５９ ２９ ５５ １ ７ ４９
１ ７６７
１ ３１ ｌ ２ ３ ３０
２９ ３３ ０２ ７５ ２６ ０ ３
ｌ ７ｌ ０ ｌ３ ２ ２
结 构损伤前后 的各 阶模 态 频率 变化 比， 就可 以识
别 结构损伤位 置 。因此本 文决定采用 归一化后 的
长 度 为 ３ ６ｍ， 的 高 度 为 ６ ｍ。 材 料 基 本 参 数 ． 柱 如 下 ： 性 模 量 Ｅ ＝３ ０ ａ 材 料 质 量 密 度 弹 ００ ０ ＭＰ ，
箜！ 鲞箜 塑
２ Ｏ１ １年 ６月
防 灾
科
技
学 院 学
报
Ｖｏ ．１ Ｎｏ ２ １ ３， ．
Ｊ ｏ ｎ ｔｔｔ ｆＤｉａ ｔ ｒＰ ｅ ｅ ｉｎ ． ｆＩ ｓｉ ｅ ｏ ｓ ｓｅ ｒ ｖ ｎｔ ｕ ｏ
Ｊ ｎ． ０１ ｕ ２ １
基于 Ｂ Ｐ神 经 网络 算 法 的混 凝 土 单 层 框 架 损 伤 识 别
基于cnn-lstm架构神经网络的桥梁损伤位置识别
域的6个微单元SiUj 、SiUj +1、SiUj +2、SiUj +3、SiUj +4、
SiUj+5（大单元号i=1，2，…，9，10；微单元号j=1，2，…500，）的损伤程度设计成五个标准：D1、D2、D3、D4、D5，如表1损伤等级标准，表2损伤工况。
采用Newmark 方法[4]利用Matlab 软件将连续移动冲击荷载激励的动力输入作为模拟匀速行驶的车辆对桥梁路面的激励作用，其大小为500KN ，求解结构的动力响应，并获取2号至10号节点的垂直加速度。
为了将损伤裂纹与刚度折减更好的等效，文章利用等效单元刚度降低模型（equivalent element stiffness reduction model ，EESRM ）[5]
来设计10%、20%、30%、40%、50%的刚度图1CNN-LSTM 架构神经网络
图2简支梁的数值模型
000其中对应的损伤因子向量vector ，EFDV ）为0.9、0.85结语
文章结合深度学习中CNN 和LSTM 各自优势，提出基于CL-EANNM 架构神经网络桥梁损伤位置识别方法，文章当前的研究结果能够表明该方法从采集到最原始的速度信号数据集中进行自动提取简支梁桥的损伤位置特征，并能对损伤位置进行准确识别定位，为桥梁损伤识别方法研究提供了新思路。
参考文献:[1]马宏伟，聂振华.桥梁安全监测最新研究进展与思考[J].力学与实践，2015，37（2）：161-170.
[2]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学图3损伤位置识别
图4对称区域与不对称区域损伤位置识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
的结构形式之一 。结构在使用过程 中常常会 出现各种损伤 ，
修加 固。由此可见 ，有必要 建立一套 系统有效 的损伤识别
技 术 ， 以便 及 早发 现结 构 损 伤 ，从 而保 证 了结 构 的安 全 性 。 神 经 网络 是 由 大 量 的 简 单 处 理 单 元 相 互 连 接 而 成 的 巨
Ａ ＝ Ｉ 一ｌｌ 。 『 ｙ ， Ｉ （） ２ 在 网络 的测试 阶段 ， 一系列来 自同一结 构 ， 未知状 态下 的 自振频率输人到训练好 的神经 网络 ， 得到输 出 ‘ 于是训 ， 练阶段 的异常指标 Ａ 定义如下 ： Ａ ＝Ｊ ’一 Ｉ Ｉ Ｉ （） ３
型复杂网络。神经 网络具有处理信息的 自学习性、并 行性、 自组织性 ，联想记 忆功 能以及很强 的鲁棒性 和容 错性 ，因 而它在结构损伤识别领域受到广泛 的关注。由于 Ｂ Ｐ神经网 络在结构损伤识别 中应用最广泛 ，因此本文 主要采用 Ｂ Ｐ神
经网络进行计算。
文献…研究表明采用损伤异 常检 测技 术对 构件损 伤进 行预警。本文利用 Ｂ Ｐ神经 网络建立损伤异常过滤器对构件 损伤进行 预警 。通过用 完好结构 的 自振频 率训 练 网络 使之 建立结构 的健康状 态模式 ，当把 未知状 态下 的 自振频 率输 入到已经训练好 的网络时 ，网络 将检查新 的模式 是否 偏离 已经建立 的健康模式 ，这一过程可 以成 为结 构的异常检测 ， 根据异常检测的结果可实现损伤预警 。在 网络的训练阶段 ， 把多次测量的完好结构的 自振频率组成 的向量Ｊ 入神经 网 ｒ 输 络 ， 入 出 目标 ｙ定 义 如 下 ： 输 Ｙ ＝ （ 一ｍ ）＋ｍ。 （ 。 居 ｉ＝ １２ … ， ） ， ， ｎ （） １ 式中 ， 为一个正常数 ， 为输入向量厂中的第 元素的 ｋ 平均值。 网络训练完成后 ， 再将输入 向量， 输入 到训练好 的网 络， 得到输出 ｌ 于是训练阶段的异常指标 Ａ 定义如下 ： ， ， 。
・
４ ・ ２
２ １ 年 第 ２期 ０１
第３ ７卷 总 第 １ ０期 ６
２ １ 年 ４月 ０１
基 于神 经 网络 的框 架 结 构 构 件 损 伤 识 别 研 究
陈 远
（ 国建筑 西南设计 研究 院有 限公 司 ，四川 成都 中
摘 要 ：采 用 多 重 分 步 识 别 方 法 对 框 架 结 构 构 件 损 伤
⑦ ① ⑥
⑩ ⑤ ⑩
⑩ ⑨ ⑩
⑨
框架结构为计算模 型进行 了数 值模拟 ，研 究表 明 ，应 用神
经 网络 技 术 ，采 用 多重 分 步识 别 方 法 ， 简化 了网络 的 结 构 ， 能 够 有 效地 对框 架结 构 构件 损 伤 进 行 预 警 、 定位 。 关 键 词 ：框 架 结构 ；神 经 网络 ； 构件 ；损 伤识 别
５０ ａ ， 面惯性矩 １ ０ （ ｍ） 截 ２＝５ ２ ． １×１ 本 文通 过折 减 构 ０ｍｍ 。 件 的 弹 性模 量来 模 拟 构 件 损 伤 。
表１ 预 设 的损 伤 工 况
损 伤 工 况
Ｇ１ Ｇ２ Ｇ３ Ｇ ４ Ｃ ５ Ｇ６ Ｇ７
构 件 损 伤
２３ ｓ５ ２ ５ １６ ｓ ２ ｓ ５ ＋２ Ｏ ０３ ｌ ６ ３ ＋１ ｓ ５ ｓ５ ０３ ２ ４ ＋２ ５ ｓ５ ２ ２ ２ ０ｓ ０＋２ ５ ４ｓ ５ ２８ ０＋１ ３ ４ ５８ ５
Ｇ８
１ ｓ Ｏ＋２ ６ ０６ ３ｓ Ｏ
注 １２３ ：ｓ５表 示 ２号 构 件 发 生 了 ３ ％ 的 损 伤 ， 他 类 似 ； ：０３ ５ 其 ２ ２ ｓ５＋ ２ ｓ０表 示 ２ 构 件发 生 了 ３ ％ 的损 伤 和 ２ 号 构 件 发 生 了４ ％ 的 １４ ０号 ５ １ ０
中图 分 类 号 ：Ｔ ３ Ｕ１ 文献 标 识１ （０ １ ２— ０ ２— ３ ６ ２— ０ １ ２ １ ）０ ０４ ０
图 １ 计 算模 型
¨ ．
０ 前
言
２ 损伤预 警
目前 ，钢筋混凝土框架 结构是建 筑结构 中应 用最 广泛
材 如梁柱 出现裂 缝 、钢筋锈蚀 、混 凝土过 火等。此外 ，历史
损 伤 ， 他 类似 。 其
将 Ａ 和 Ａ 二者比较 ： ， ： 如果测试 阶段 的异常指标 Ａ 偏离 训练阶段的异常指标 Ａ ， 表示损伤 产生 ； 。则 若两个序 列不可 分， 则表示无损伤 。 选取表 １中的八种损伤工况 ，利 用有限 元模型计算 出健康状 态下 和损伤状态 下 的前 八 阶频 率。将 计算的 自振频率加上 １ ％水平的测量噪声 ，其 中测量噪声是 用均值为为 ０ ，方差为 １的高斯 白噪声模拟 。八种损伤工况 的预警结果如图 ２ 所示 。 由图 ２可以看 出，对 于包 含测 量噪声 的训 练样 本 ，其 异 常指 标 无 法 指 示损 伤 工 况 Ｇ ２和 Ｇ ６下 的 构 件 损 伤 ， 而 对 于其他六种损伤 工况 下的损伤都 能准 确地预警 。这 与测 量 噪声 引 起 的 误差 及 损 伤 引 起 的模 态 频 率 变 化 率 有 关 。运 用 异常指标能 够 明确 预 警 的损 伤 工 况有 Ｇ１ ４ ５ ７ 、Ｇ 、Ｇ 、Ｇ 、 ｃ ，它们 由于损 伤引起 的最 大频率 变化率 分别 为 ２ ９ ％ 、 ８ ．５ ６４ ％ 、３７ ％ 、４ ２ ％ 、１． ６ ，这 些数值都 大于 ３ ．２ ．５ ．３ ２２ ％ ％。 无 法运 用异 常 指 标 进 行 预 警 的 损 伤 工 况 是 Ｇ ２和 Ｇ ４ 它 们 １， 由损 伤 引起 的 最 大频 率 变 化 率 分 别 为 ２５ ％ 和 ２ ３ ％ ， ．５ ．６ 这 些 数值 都 小 于 ２８ 。 刚 好 能 够运 用异 常指 标 进 行 预 警 的 工 ．％
④
６０４ ） １０ １
④ ＠
识 别 研 究 。 第 一 步 对 构件 损 伤 进 行 预 警 ；第 二 步 识 别 构 件 损 伤 所 在 的楼 层 ； 第 三 步 在 识 别 出 的楼 层 内对 构 件 损 伤 具
＠
⑧
＠
⑥
＠
体 定 位 ；第 四 步 对 构 件 损 伤 程 度 进 行 识 别 。 以三 跨 四 层 的
式 中 ， 中的 元 素 为 ： Ｙ ＝ 一ｍ ）＋ｍ （ （ ｉ＝ １２ … ， ） ， ， ｎ （） ４
１ 计算 模型
框架结构的计算模 型如 图 １ 示 ，图中加 圆圈的数字 所 表示构件编号。结构参数如下 ：弹性模量 Ｅ＝３Ｘ１ Ｐ ， ０ Ｍ ａ 泊松 比 ＝０３ 材料 密度ｐ＝２５ ０ｋ／ 梁的截面为 ３ｏ× ．， ０ ｍ ， ｇ ｏ ６ ０ ｒｍ） 截面惯性矩 ，＝ ． ０ Ｈｍ ， ０（ ａ ， ｌ ５４Ｘ１ 。 ｇ 柱的截面为 ５０× ０