组合模态参数结构损伤识别神经网络法.docVIP

组合模态参数结构损伤识别神经网络法 　　摘要：本文采用组合模态参数在有限元模型基础上对结构损伤进行了识别。同时考虑了噪声输入情况下，即存在数据误差时神经网络的损伤识别能力。 表明以组合模态参数作为网络输入参数，并通过学习训练所得网络不仅具有理想的损伤识别能力，还具备良好的容错性和鲁棒性。 　　关键词：组合模态参数 损伤识别 噪声 鲁棒性 　　中图分类号：TN711 文献标识码：A 文章编号： 　　1 BP神经网络 　　BP（Back Propagation）神经网络，即误差反向传播的神经网络。一个典型的BP神经网络由三个层构成：输入层、隐含层（或称为中间层，由一层或多层组成）和输出层，网络的互连模式属于前向网络结构。由于具有较强的非线性映射能力而被广泛用于结构分析中。图1是本文所采用神经网络的模型示意图。本文采用了3层的BP神经网络。 　　 　　 　　图1 .BP神经网络模型示意图 　　R表示网络输入向量的维数或输入层神经元数目，Q表示隐含层神经元数目，S2表示输出向量维数或输出层神经元数目。在本文中的神经网络（损伤位置及损伤程度识别）隐含层传递函数为tansig函数，输出层传递函数为purelin函数。 　　2 损伤识别参数 　　损伤识别参数，即神经网络输入向量的选择直接关系的损伤识别的结果。本文中无论是对损伤位置还是对损伤程度的识别均采用组合模态参数作为神经网络的输入向量。对于损伤位置的识别，本文选取标准化位移振型变化率及标准化频率变化率的组合参数[1]作为损伤位置识别神经网络的输入向量 ；而对于损伤程度的识别，则选取标准化位移振型变化率[2]、标准化频率变化率[3]及频率平方变化率作的组合参数作为损伤程度识别网络的输入向量。 　　3 算例 　　 　　 　　图2.损伤识别模型 　　由上可知除了损伤工况case5、case6和case10之外其他的工况下最大频率变化均发生在前四阶频率中，即前四阶频率对损伤的敏感度要优于其他频率。故选用前四阶频率作为损伤位置识别指针，即损伤位置识别网络的输入参数。再另外选取3～10共8个节点的X、Y方向的位移模态作与频率一起形成组合参数损伤位置识别指针。 　　 由于选择前四阶频率变化率及8个节点X、Y方向位移模态作为损伤位置识别指针。因此在无数据误差情况下，指针的位置维数为20×12=240。构造三层神经网络具有20个输入神经元，15个隐含层神经元和10个输出神经元。 　　由上述结果可知，无数据误差时，无论对于轻微损伤（损伤量为10%）还是对于较严重损伤（损伤量为30%），损伤位置识别网络均有较好的损伤定位能力。由所得误差可知，损伤位置识别网络对较严重损伤的损伤位置识别效果要优于对轻微损伤的损伤位置识别，即损伤程度越严重，网络对损伤位置识别的灵敏度越高。 　　 损伤程度识别参数与位置识别参数相比增加了前四阶频率平方变化率。因此，损伤程度识别网络的输入层神经元数增至24，同时将隐含层神经元的个数增至25。另外，为测试网络对多个损伤的损伤程度识别能力，使用3单元及9单元同时发生10%和30%作为测试样本。 　　与对损伤位置识别的情况相同，为了考察网络对损伤程度的灵敏度，先在无数据误差的情况下，对损伤程度进行识别。从中可以看出无论是单损伤还是双损伤网络识别出的损伤结果与实际损伤程度非常接近，识别效果较理想。 　　无数据误差时，结构损伤很容易被识别，而存在由于模型误差、测量误差及环境因素等因素导致的数据误差时，很多识别方法都变得无效了。因此，数据误差是内在的、本质的且必须考虑的问题。神经网络的鲁棒性使得它能够处理具有随机误差的问题。因此，容错性和鲁棒性优良与否是评价神经网络性能的重要指标。为了验证网络的容错能力，即鲁棒性，在测试样本注入1%、3%和5%的正态分布随机噪声，并将注入噪声的测试样本带入已训练好好的损伤位置识别网路进行测试。将加注1%和5%噪声的测试样本输入经过训练后的损伤定位网络后，得出的输出结果及不同噪声水平对应的识别误差。表中加粗数字表示网络输出向量中实际损伤单元对应的分量，其理想输出值为1。根据第三章提出的评价准则，当网络输出向量中真分量的取值范围在0.5至1.25之间，即可判定损伤位置被正确识别。加下划线的数字表示根据上述规则，将测试样本带入经过训练后的网络后，所得到的错误识别结果。 　　无论是噪声水平较低的情况（1%），还是在噪水平较高的情况（5%），网络的损伤位置识别正确率均到达了100%。与无数据误差测试样本对应的网络输出相比，识别误差浮动较小，网络实际输出的真分量与理想输出非常接近，最大伪分量与真分量的相对值也较小（最大为19.55），即采用组合识别指标作为网络输入训练所得的损伤位置识别网络，在存在数据数据误差时，仍具有理想的损