模式识别斜拉桥损伤诊断动力指纹与识别算法.docVIP

模式识别斜拉桥损伤诊断动力指纹与识别算法 　　摘 要： 　　为有效并准确诊断出斜拉桥损伤，对基于模式识别的斜拉桥损伤诊断方法进行了研究。选取易于测试出的低阶模态频率和部分关键点竖向振型数据为动力指纹，无需模态扩展或模型缩聚。研究并采用全因子设计进行动力指纹库的创建，可精确评估设定的损伤因子及其交互作用对损伤识别结果的影响。设计并增加了带随机误差的动力指纹库样本集。编制了基于Matlab的模式识别的多种算法，重点研究了精确度高的多层感知器识别算法及其提高该算法预测准确率的装袋集成算法。最后给出一座单塔双跨双索面斜拉桥的多种识别算法的损伤诊断过程和结果，得到一种可包容测试随机误差的高精确度斜拉桥损伤诊断评估模型。 　　关键词： 　　斜拉桥；损伤诊断；模式识别；动力指纹；识别算法 　　中图分类号：U448.27 　　文献标志码：A 文章编号2016 　　斜拉桥损伤诊断是斜拉桥健康监测系统的重要组成部分和核心，其方法对健康监测系统有效性起决定性作用。按是否有反演可分为基于模型修正的损伤诊断方法和基于模式识别的损伤诊断方法两大类[1]。基于模式识别的损伤诊断方法属无反演的正演方法，可避免病态的优化求解，在预设的模式库中通过识别算法识别与实测损伤指标最接近的模式确定结构的损伤情况。模式识别采用的损伤指标（也称指纹）有静力和动力之分，基于动力损伤指标（称为动力指纹）的损伤诊断不影响桥梁结构的正常运营，可通过环境激励工作状态模态识别[2]进行实时监测，具有远程在线的优点。 　　通过综述类文献[1， 36]，将目前所有的动力指纹归纳为4类，分别为直接模态参数类（如频率、振型）、模态参数的函数类（如频率平方、模态应变能、模态保证准则、坐标模态保证准则、模态柔度、残余力向量等）、曲率类（如模态曲率、柔度曲率等）和振动信号非模态处理类（如傅里叶变换、短时傅里叶变换、WignerVille分布、小波/包分析、希黄变换（HHT）、盲源分离等）。第2类和第3类某些动力指纹虽然具有很强的损伤指示能力，但其依赖于模态参数的识别精度，且构造指标时需要较多的自由度需进行模态扩展或模型缩聚。模态扩展在扩展的振型中引入了额外误差；而模型缩聚时在有限元模型中引入了误差，破坏了原始结构的连续性。这两种方法均直接影响了结构损伤诊断的精确评估[7]，且单纯的振型扩展或模型缩聚技术对监测未测量区域处的损伤是无能为力的[6]。因此，寻求不需要振型扩展和模型缩聚，能够直接使用低阶不完整部分振型和低阶频率作为动力指纹进行有效损伤诊断很有意义。 　　“没有免费的午餐（NFL）定理”指出，不存在与应用无关的任何理由认定某种学习或分类算法比另外一种更好，每类算法仅适合特定的模式分类任务[8]。本文对模式识别的多种算法进行了Matlab编程实现，通过斜拉桥早期损伤诊断进行实验，考察算法的准确度及适用性。为进一步提高算法的准确率，对识别准确率高的多层感知器算法进行了装袋集成算法的研究，该装袋集成算法进一步提高了多层感知器算法识别准确度。 　　1 动力指纹选取及动力指纹库设计 　　一个理想的损伤动力指纹应该在低阶模态条件下对结构关键部件的局部损伤较为敏感，且在结构模态测试中易于获取。由于现场条件和测试仪器的限制，一般只能得到低阶不完整的模态参数[9]。根据本文的前期工作，在此不妨选择前5阶频率和测点归一化振型值作为动力指纹，不需要进行模型缩聚或模态扩展。 　　要想获取动力指纹需要根据设定的损伤因子进行仿真试验设计[10]。试验设计（DOE，Design of Experiments）是数理统计学的分支，是工程和科研中有着广泛应用的统计方法之一。全因子设计法（FFD，Full Factorial Design）允许任意数目的因子和水平，可对所有因子的全部组合在所有水平上进行评估。FFD为精确评估因子和交互作用的影响提供了大量的信息，正好可精确评估设定的损伤因子及其交互作用对损伤诊断结果的影响。FFD需要进行的仿真试验次数较大，但这些工作是在斜拉桥损伤诊断评估模型建成之前进行的，并不会影响实际应用，试验设计方法的取舍不应仅以计算代价大小作为判别的标准。全因子设计法试验分析次数为 　　Num=∏mi=1ni（1） 　　式中：ni表示第i个因子的水平数；m表示因子的个数。 　　比如按本文斜拉桥算例中采用5个部位的弹性模量变化率作为损伤因子，损伤程度取0、0.01、002 三个水平，则对应的仿真试验次数为243次。 　　根据选择的动力指纹创建样本库，需要对设定的单个或多个部位（可以是非测点）损伤情况根据测点的动力指纹进行精确识别，应首先建立各部位因子及其交互作用与测点动力指纹之间的精确关系。本文研究并采用全因子设计进行动力指纹库的创建