基于振动测试的结构损伤识别方法

人工神经网络（Artificia Neural Networks，ANN）［55－56］由Mcculloch和Pitts在1943年首先提出的。神经网络模型多种多样，从不同角度对生物神经系统进行不同层次的描述和模拟。代表性的神经网络模型有感知器、多层映射BP网络、RBF网络、双向联想记忆（BAM）、Hopfield模型等，可以实现函数逼近、数据聚类、模式识别、优化计算等功能。由于人工神经网络具有并行计算能力、自我记忆能力和自我学习功能，具备很强的容错性与鲁棒性，善于联想、综合和推广，在很多领域得到了广泛的应用，并且被应用到结构损伤识别研究中。

神经网络用于损伤检测的基本原理［57－58］是先对结构进行动力学分析，获得结构在不同损伤状态下的动力学特性，从而构造神经网络的学习样本集；然后将样本集输入神经网络进行训练，建立输入参数与损伤状态之间的映射关系，得到用于结构损伤检测的神经网络；将待检测结构的动力学参数输入网络，就可得出损伤信息。

各国科研人员采用不同的输入参数、不同类型的神经网络进行了损伤的识别研究。王柏生等［59］将前几阶固有频率和少数节点的模态分量作为组合参数，来训练神经网络用于多层框架结构损伤检测，数值模拟和实验结果表明：使用这种组合参数的神经网络受模型误差的影响较小，具有很强的鲁棒性。徐宜桂等［60］提出了一种基于神经网络的结构动力学模型修改方法，对于结构破损部位和程度的诊断非常有效。张敬芬［61］在板裂纹诊断中提出了损伤特征同源数据不同诊断指标的模糊神经网络数据融合诊断模型，并应用于对悬臂板裂纹的诊断中，提高了诊断精度。高赞明、孙宗光等［62－63］在中国香港汲水门大桥的损伤检测中使用了BP神经网络，采用分步识别的策略，探讨了这一方法的可行性。(https://www.xing528.com)

文献［64－65］采用不同的模态参数作为损伤识别指标应用于神经网络进行损伤识别，包括结构位移模态振型、固有振动频率、位移（速度、加速度）频响函数、曲率模态振型、应变模态振型、应变频响函数等。计算结果表明对同一结构损伤的识别，对损伤的灵敏度由低到高依次为：位移模态振型指标，固有振动频率指标，位移频响函数指标，应变／曲率模态振型指标，应变频响函数指标。总体上看应变类指标比位移型指标对损伤具有更好的识别能力，这一点和董聪的结论是一致的。