基于BP网络的高层框架结构损伤检测
摘要：本文对基于bp网络的高层框架结构损伤检测和bp网络输入参数问题进行探讨，提出了高层框架结构损伤检测的新方法—基于bp网络的结构损伤四步检测法。
关键词：bp网络 结构损伤检测 损伤信号指标1 引言
基于bp网络的高层框架结构损伤检测是近年来的一个热门研究课题，它是随着科技的进步、经济的发展和人们认识的提高而发展起来的。传统的建筑结构可靠性是通过结构设计来保障的，但实际上，结构设计很难完全保障建筑结构在使用阶段的可靠性。这是因为在使用阶段建筑结构除承受设计荷载的作用外，随着使用时间的增加，不可避免地发生老化或者受到各种突发性的外界因素（如爆炸、地震、撞击、火灾等）的影响而引起结构的损伤，这些损伤随时间积累，达到一定程度就会影响结构的安全性、适用性和耐久性，甚至发生突发性的失效，严重威胁着人类的生命财产安全。例如，1994年美国的加州大地震，1995年的日本神户大地震和1999年的台湾大地震都使无数的房屋损坏和倒塌，造成人民生命财产的巨大损失。建筑结构损伤的及时检测和修复对于减少人民的生命财产损失具有极其重要的作用。同时，尽早发现结构损伤，可以从很大程度上降低维护维修费用。因此，应建立合理的检测系统以便及时探测到建
筑结构损伤出现的位置和程度，及时采取有效措施消除隐患，确保人民的生命财产安全。
人工神经网络广泛涉及土木工程的各个领域，在结构损伤检测中发挥着巨大作用。但神经网络应用在不同结构的理论还不成熟，因此为了将神经网络更好地应用于结构损伤检测中，本文把振动分析方法与人工神经网络结合在一起，解决高层对称框架结构的损伤检测问题。
2 正则化网络基于bp网络的结构损伤四步检测法
在对高层建筑这样复杂的大型结构体系进行损伤检测时，如果仅仅作为一个力学反问题来考虑，将导致条件的复杂性和解的不唯一性。行之有效的方法是尽量避免直接解力学反问题，基于此本文提出了基于bp网络的结构损伤四步检测法，即损伤的发生、类型、位置和程度分开检测。
第一步：损伤的发生
在这一步，神经网络就像一个报警系统而不是损伤的检测系统。当结构发生损伤时，神经网络就会发出警报。而且不需要结构的模态信息就可以构建、训练和测试神经网络。
在目前的研究中，通过测量系统获得的未损结构的模态参数，即未损结构的前n阶固有频率 作为输入输出向量来训练网络，而不需要其它的结构模态。但是，未损结构的固有频率需要多次测量，而且全部用于网络的训练，这些数据可以通过结构的长期在线监测系统获得。
第二步：损伤类型
建筑结构损伤检测有多种类型，如构件宽度变小、构件高度变小和构件材料的弹性模量变小。前两种类型可以看作是构件有效工作面积的减小，这三种类型都可以看作是构件刚度变小。在该阶段神经网络被用作分类器，获得的基于模态的损伤结构模态用于神经网络的训练。
第三步：损伤位置
对于一些损伤的位置分布，需要建立一个神经网络来精确地确定损伤的具体位置。在这个网络中，第 个节点的输出值为1或0，它表示该节点是否发生损伤。由于仅仅使用固有频率无法检测对称位置发生的同程度损伤，就选择由损伤信号指标和其它一些参数所组成的组合损伤向量。这个输入向量需要满足两个条件：（a）输入向量的多数参数与损伤程度无关，只与
损伤位置有关；（b）输入向量的模态参数都能够从固有频率和第一阶模态的少数几个模态矢量值算出。因为在这一步的目标是确定损伤的位置，所以训练时只需要在所有可能的损伤位置的一种损伤程度的损伤样本，这样就大大地减少了训练样本的数量。
第四步：损伤程度
一般的基于神经网络的结构损伤检测方法，损伤位置和损伤程度通过一步损伤检测法就可以同时检测出来。但是当存在大量的可能损伤位置时，一步损伤检测法需要太多的损伤样本，因为网络在损伤程度的检测时需要在不同的损伤水平下对网络进行训练。本文提出的结构损伤四步检测法就成功解决了这一问题，整个过程使用同样的神经网络模型。在上一步已经检测出损伤的位置，我们只需要在这些损伤的位置上增加一些不同程度的损伤样本，重新学习训练网络即可。
3 神经网络输入参数的选择
研究表明神经网络输入参数的选择及其表达形式会直接影响结构损伤检测的结果。下面分别介绍三种输入参数：仅与损伤位置有关的输入参数，仅与损伤程度有关的输入参数及与损伤位置和程度都有关的输入参数。
3.1 仅与损伤位置有关的输入参数
在已有的结构损伤检测方法中，首先要用神经网络检测损伤的位置，然后再检测损伤的程度。因此必须合理地选择一个仅与损伤位置有关的网络输入参数。
cawley和adams [1]证明了两阶频率的变化率仅仅与损伤位置有关而与损伤程度无关。minski [2]证明了正则化的频率变化率也是一个只与损伤位置有关的输入参数。其中频率的变化率 可以表示为：
正则化的频率变化率 可以表示为：
上面方程中： 和 分别为第i阶固有频率变化比和第i阶正则化的频率变化率，m为实测固有频率的阶数，fui和fdi分别为结构在未损和损伤状态下的模态频率。
lam [3]等人提出了一个损伤信号指标并且证明了这种指标只与损伤位置有关而与损伤程度无关。这种损伤信号指标被定义为模态振型的变化率与固有频率的变化比，用公式表示为：
而正则化的损伤信号指标可表示为：
上面方程中：fui和fdi的意义同公式（2）；{φui}和{φdi}分别为结构在未损和损伤状态下的第i阶模态矢量值；dsii（k）和ndsii（k）分别为第i阶模态的损伤信号指标和第i阶模态的正则化的损伤信号指标， n为实测模态的阶数；为了方便，一般取n=1、k为实测模态矢量的位置。
上面涉及的模态的选择取决于两个因素：模态数据测量的准确性和该模态对于损伤的敏感性。某一模态对于损伤的敏感性事先并不知道。但是通常认为一阶模态所测量的固有频率最准确。所以采用一阶模态所对应的模态矢量值。然而，如果一阶固有频率的变化太小，就要选择其它振型的模态矢量值。因为一阶固有频率的变化太小，将出现一个很小的分母，而导致计算的损伤信号指标不收敛。在计算固有频率变化之前，必须保证这两套方法所测量的模态矢量值具有同样的标准化形式。当然，计算神经网络的输入向量，不需要完整的模态数据，只需要选择几个点的模态分量就足够了，这样就克服了仅仅用频率的缺陷。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。