智能算法应用：结构损伤诊断概述

结构物的损伤诊断是实际工程中力学的“反”问题，它是近年来十分热门的研究课题。随着现代空间结构的大型化、复杂化的发展趋势，损伤诊断技术的研究具有重大意义。据相关资料统计，我国正在使用的结构物中约有1/3以上存在不同程度的损伤，有许多结构已经进入正常使用的后期。若不采取措施，在未来20年内我国将至少有1/2以上的结构由于安全度过低而不能正常使用，且一旦突发灾害性事件（如地震、台风、洪水等）导致结构突然失效，必将造成人员伤亡和巨大的经济损失。因此，为了保证结构的安全，就需要一个有效的结构健康监测和损伤检测方法，使损伤积累在尚未威胁到结构安全之前就能够被检测出来，从而对损伤结构给予及时修复，保障结构的安全运行。

结构损伤的诊断是实际工程中比较棘手的问题。这些大型复杂结构如航天飞机、高楼大厦、离岸结构、新型桥梁、大跨度网架结构等在拉压、冲击或疲劳等荷载作用下，易产生裂纹、纤维脱黏或断裂等多种形式的损伤。这些损伤隐蔽在结构内部，损伤类型和程度难以判断，较难进行实时检测。目前，传统的损伤检测方法有目测诊断法、电磁诊断法、超声波诊断法、射线诊断法和CT扫描诊断法等。其中，目测诊断法被广泛使用，但其仅依靠观察者的经验来检测，难以发现隐蔽的结构损伤。射线诊断法、电磁诊断法、超声波诊断法、CT扫描等都属于局部检测法，需要事先知道损伤的近似位置，仅适用于小型结构物的损伤检测，而且这些方法所使用的仪器笨重、复杂、费用昂贵、维护和维修周期较长，无法对结构进行实时检测。所以，上述检测方法都难以准确地诊断出结构损伤的位置和程度。

近20年来，基于振动模态分析的损伤检测以其经济性、高效性和结构动态响应的全局性等优点成为了国内外的研究热点，为此，众多的国内外专家学者对其进行了深入研究，提出了大量方法，取得了很大的研究进展。其损伤检测的基本原理是：结构一旦出现损伤，结构参数将随之发生变化，导致结构的动力响应特性也相应变化，从而使结构显示出与正常结构相区别的动态特性。以结构的动态特性为“健康”状况的识别指标，根据这些指标的变化就可以推断出结构损伤的状况。但在实际应用过程中，以上方法往往存在需要求解复杂的、计算量大的数学反问题以及由于随机、模糊和信息不完备等因素的影响而造成的实测数据不准、测试数据不足等问题和运算速度慢、误判等情况，这些对实时在线结构监测来说是致命的，只有提高反演速度和准确性，才能使结构损伤监测真正被应用到实际中去。(www.xing528.com)

神经网络技术在诊断中应用起步较晚，但由于神经网络具有良好的非线性映射能力、强大的解决反问题的能力、实时的计算能力和推广能力，在结构损伤检测与诊断中很受欢迎。研究结果表明应用神经网络技术可以有效克服由不完全测量和反演问题所带来的困难。

结构损伤诊断过程按顺序可以分为三个阶段：损伤报警、损伤定位和损伤程度识别。损伤报警是检测结构是否发生了损伤；损伤定位是指对结构损伤位置的确定；损伤程度识别是在已经确定了损伤位置的情况下识别结构的损伤程度。一旦确定结构有损伤后，下一步就需要对结构损伤进行定位。许多学者已在不计测量误差（即认为振动测试结果是确定的）的情况下，采用神经网络技术成功地识别了结构的损伤位置。但实际上，结构的振动测试必然会受到环境噪声的影响，因而实际检测到的结构振动特性、响应等参数是不确定的。