基于人工神经网络钢结构损伤识别.docVIP

基于人工神经网络钢结构损伤识别 　　摘要:由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中，本文根据网络参数选择的原则建立了一个三层BP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振型作为输入参数。利用训练好后的网络对损伤模型进行诊断和预测，取得了较好的效果。 　　关键词:神经网络；非线性映射；组合参数；损伤模型 　　 　　基于振动的损伤识别和人工神经网络(ANN,Artificial-Neural-Network)的损伤识别和诊断是近年来的热门研究课题。由于神经网络具有很强的自适应能力、学习能力、容错能力和鲁棒性，因此将神经网络应用于结构损伤识别，在一定程度上能克服由于问题的不适定性所导致的困难，也避免了采用经典的统计回归分析得出的一些半经验公式所带来的误差，具有良好的发展前景[2]。 　　国内外很多学者都致力于这方面的研究。P.C.Kaminski[3]则分别采用自振频率、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，并比较了其有效性。M.F.Elkordy[4]等采用BP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BP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、输出数据，就能完成由n维输入空间到m维输出空间的非线性映射。泛化能力：多层前馈经训练后，将样本的非线性映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（不同损伤位置的不同损伤程度）的响应，通过特征抽取，选择对结构损伤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。 　　 　　2BP神经网络模型设计 　　 　　神经元的数学模型、神经网络的连接方式以及神经网络的学习方式是决定神经网络的信息处理性能的三大要素。众多神经网络模型中， BP（Error Back-Propagation）神经网络适于结构损伤问题，由于BP神经网络采用的是有导师的学习算法，学习训练的过程包括网络前向计算和误差的反向传播，其目的就是通过调节网络内部连接权值使网络误差最小化。 　　2.1BP神经网络数学模型设计 　　BP神经网络模型的拓扑结构如图2所示。 　　 　　为避免训练过程发生振荡,收敛缓慢，及提高网络的训练速度,在权值调整中增加一动量项：(7) 　　按照上述公式输入训练样本对网络进行训练，直到误差达到全局最小。 　　2.2BP神经网络参数的选择 　　结构出现损伤会降低结构的刚度，从而使结构的自振频率发生变化，因此可以根据结构自振频率的改变来进行损伤识别。根据结构动力学理论，结构损伤的存在,相应会影响到结构的动力响应特性，使得各种结构参数(固有频率和模态等)在不同程度上受到影响，进而使结构显示出与正常结构相区别的动态特性。因此，根据结构系统固有特性的变化来诊断结构的损伤，在理论上是有充分根据的[1]。基于固有频率测量的损伤诊断很具有吸引力，因为在实际结构中，频率易于测量而且与测量位置无关，频率测量的误差较振型和阻尼的误差小，基于频率变化进行损伤识别的方法很多，但频率测量不足以对损伤诊断提供足够的信息。 　　网络模型设计最重要的是结构参数的选择，即层络层数、输入层与输出层的参数及节点数。在损伤识别中输入参数应该能够敏感地反映结构损伤，为使输入参数能有效地识别损伤位置和程度，必须满足两个基本条件，即是位置坐标的函数，和对局部坐标敏感的参数，还应有易于提取不受环境干扰的特点。网络的输入参数大多是模态信息，如频率、振型。为避免单一频率或模态振型作为输入参数带来的误差，可选用与损伤位置和程度相关的组合参数，即损伤前后的频率变化平方和少点模态振型作为输入参数[1]。 　　隐层节点的的选择对网络的应用有直接的影响。它取决于训练样本数的多少，样本噪声的大小及样本中蕴涵规律的复杂程度。隐层的单元数