基于径向基函数神经网络的编织复合材料层合结构脱层损伤监测的探究.pdfVIP

基于径向基函数神经网络的编织复合材料 层合结构脱层损伤监测研究木 刘朝勇1郑世杰1王晓雪2 1南京航空航天大学智能材料与结构航空科技重点实验室南京，邮编：210016 2大同职业技术学院建工系大同，邮编：037008 chaosfie@126．com sjzheng@nuaa．edu．cn 摘要鉴于传统BP网络速度慢和局部极值问题及神经网络实验数据训练样本不足的缺陷，本文提出 的前五阶弯曲模态频率构建训练样本的新思路，将实验模态分析的结果送入训练好的RBF神经网络进行预 测，实现对编制复合材料梁的脱层损伤位置和程度评估。 结果表明RBF网络速度快，稳定性好，精度高， 在复合材料结构损伤监测中具有光明的应用前景和重要的工程价值。 关键词RBF神经网络；固有频率；编织复合材料结构；损伤监测 1 引言 由于复合材料具有很高的比强度和比刚度等特性，在航空航天、宇航和船舶等行业中获得广泛应用。 但在复合材料结构的制造过程及层合结构在服役期内受到的冲击等都会使复合材料结构内部产生脱层，而 脱层将导致结构强度等特性大幅度下降，进而严重影响结构的整体性能，因此复合材料结构的损伤监测对 于消除航空航天结构隐患及避免灾难性事故具有重要意义。结构损伤监测是典型的反问剧1I，近年来，以 神经网络为代表的人工智能方法开始被广泛应用于结构损伤监测，且已成为结构损伤监测研究中最活跃的 分支之一【1_31。 目前，应用于结构损伤监测的神经网络主要有BP网络【2】和Kohonen神经网络【3】，但这两种神经网络具 有学习速度缓慢等许多缺陷，如BP网络的学习结果对初始权值向量很敏感，易陷入局部极值；而Kohonen 神经网络相比，具有许多显著优点：学习算法简单，针对性强；训练速度快，可避免冗长的训练和陷入局 部极值的可能及良好的泛化能力。近三年，RBF神经网络才被应用于结构健康监测，但现有的工作还存在 很多问题，急待进一步发展和完善。 虽然基于神经网络的复合材料结构健康监测的研究取得了许多令人振奋的成果，但对于实际应用来说， 还面临许多问题和挑战，特别是将神经网络模型的计算机仿真和复合材料结构损伤特征参数提取实验二者 结合的研究还不够深入全面。很多学者基于数值解或理论解来训练神经网络【451，从纯数值仿真的角度验证 网络的模型辨识能力，并没有进行实验值识别，而结构健康监测的实质是基于实验提取的损伤特征信号的 状态评估，缺少了实验依据的纯粹数值仿真缺乏说服力。另一方面，一些学者采用在结构上钻通孔、局部 开槽等办法来模拟损伤【6J，或将损伤简单地等效为弹簧刚度的下降【4】，这些处理办法过于简单粗糙，明显放 大了损伤特征，与含损伤结构件的精确模型相矛盾。 鉴于上述情况，本文提出一个计算结果的修正方案，从而使含脱层损伤试件的数值仿真结果与实验特 征参数相吻合，进而利用有限元方法对含有脱层损伤的复合材料试件进行数值模拟，以修正后的前五阶弯 曲模态频率作为RBF神经网络的训练样本，并用未参加训练的模拟样本检验网络的收敛程度，确认网络达 到良好精度后，再将实验测得的频率送入训练好的RBF神经网络进行预测，并将预测结果和预埋真实脱层 情况进行对比。值得指出的是，若采用激光测振仪等先进设备代替本文所用的LMS模态分析系统，本文所 提方法可实现复合材料结构脱层损伤的在线监测。 ·734· 2 FIBF神经网络拓扑结构 对编织复合材料而言，脱层是最常见的损伤， 故本文仅考虑编织复合材料的脱层损伤。脱层损伤 的存在会导致结构的强度、固有频率的降低和模态 阻尼的增加， 因此本文采用编织复合材料结构的前 5阶弯曲固有频率作为网络输入，将损伤大小和损伤 位置作为网络输出，即该网络有5个输入，2个输出， 其网络的拓扑结构如图1所示。 其中X=(Xl，恐，x3，五，鼍)1∈吼5是一个输入样本 向量，g。0)是隐含层的作用函数，因为选作隐含层 的作用函数都具有径向对称的特点，故被称为径向 基函数。通常采用高斯函数，即 f_l2’3’…，m “班exp|-掣l L q J 图1 5输入一2输出RBF网络结构 其中m是隐含层