2
李林1，洪可柱1,，朱宏平1
1 华中科技大学土木工程与力学学院，（430074）
2 中国建筑总公司第三工程局
email: li0@21cn
摘要：结构损伤检测与识别对结构安全及人们生命财产具有重要意义。近年来结构损伤检测中的神经网络方法受到了广泛的关注和研究。本文对神经网络方法在结构损伤检测中的研究进行了综合论述，阐述了各类神经网络在损伤检测中的应用、输入输出数据的不同类型、结构建模误差对检测效果的影响和分步损伤检测方法等内容，并对神经网络方法在损伤检测中的发展前景作了展望。
关键词：工程结构损伤检测神经网络
1．引言
工程结构随着使用时间的增加，不可避免的发生老化；自然灾害的频繁发生也导致工程结构产生损伤，如1995年的神户地震及1999年的台湾大地震使无数的房屋损坏和倒塌，造成生命财产的巨大损失。结构损伤的及时检测及修复对于减小生命财产损失具有重要作用，同时，尽早的发现结构损伤，可大大降低维护维修费用。因此，结构健康监测在近几十年来一直是人们关注的热点，许多学者进行了这方面的研究。
由于结构的振动特性（如时程响应、固有频率、振型等）是结构物理参数（如刚度、质量）的函数，结构损伤即意味着结构物理参数的改变，而物理参数的改变必然引起结构振动特性的改变。因此，通过对结构振动特性变化的观测、分析及处理，有可能获得结构物理参数的变化情况，从而达到损伤检测的目的。计算机技术的飞速发展及传感器技术、信号处理技术的进步，使得能够准确、快速的分析处理动态测试信号。因此，近几十年来，基于结构动态响应的损伤检测成为国内外研究的热点。
通常，基于数学模型的损伤识别方式为：构造一个目标函数，在满足约束条件的情况下使目标函数取得最小值而达到对结构损伤的识别，即结构参数的优化求解。优化求解有多种算法，但这些算法需要耗费大量的计算时间，不能实现对结构损伤的实时识别，而且对于自由度较多的情况计算结果有可能不稳定。
近年来，在损伤识别中人工神经网络（ Artificial Neural Network）方法吸引了人们广泛的注意，通过
用神经网络建立起结构损伤与结构力学特性之间的关系，实现结构损伤的1本课题得到教育部博士点专项基金资助项目（20030487016）资助
- 1 -
识别。
2. 研究现状
人工神经网络最初是为模拟人的大脑功能而提出来的。大脑是由生物神经元构成的巨型网络，是一种大规模的并行处理系统，它具有学习、联想记忆、综合等能力，并有巧妙的信息处理方法。人工神经网络也是由大量的、功能比较简单的神经元互相连接而构成的复杂网络系统，用它可以模拟大脑的许多基本功能和简单的思维方式。通过对网络进行训练，网络可以获得相关信息，并将信息存储在神经元的连接权值中。人工神经网络具有并行处理、容错性、鲁棒性等特点，现已广泛应用于各个领域。利用神经网络进行损伤识别，多采用多层BP网络。BP网络结构简单，学习、训练算法较为成熟，对多层BP网络，采用适当的权值和激活函数，可以对任意非线性映射进行任意程度的近似[1]，这对于模拟结构物理参数和结构模态参数之间的非线性关系极为重要。BP网络应用典型步骤：a、确定网络结构及训练算法b、生成训练样本数据c、用训练数据对网络进行训练d、测试网络的泛化能力e、用神经网络进行损伤检测。
2.1 BP神经网络在损伤识别中的应用
Wu等[2]早在1992年就利用BP网络对一个三层剪切框架结构进行损伤识别，以对楼层加速度时程响应进行傅立叶变换得到的加速度幅值谱作为网络输入，正确的实现了特定楼层的损伤识别。由于直接采用离散频谱幅值作为网络输入，所以不需要进行模态参数识别，但输入层节点数较多，这会降低网络训练的效率。Tsou和Shen[3]对一三自由度的弹簧质量系统进行了研究，网络输入采用相对于未损伤状况特征值变化的绝对值，输出为弹簧刚度损伤相对变化。相对于以频谱作为输入而言，输入节点数大大减少，简化了网络结构，缩短了训练时间。Elkordy等[4]对一个五层框架模型的各种损伤状况进行有限元分析建模，通过有限元分析得到的训练样本对神经网络进行训练，训练后的网络成功检测了实际框架结构的损伤。这说明，用有限元分析得到的训练样本对网络进行训练是可行的。Barai和Pandey[5]对一座21根杆件的桁架桥用神经网络方法进行了检测。网络输入取为当活动荷载沿着桁架的下弦杆匀速运动时下弦杆各个节点的位移响应，桁架的各个节点在损伤和未损伤状态下的位移必然不同，各个杆件面积（损伤状况）作为网络输出。网络测试结果表明，并不是网络的输入的信息越多，网络的性能越好，适当选择测试节点的位置，一个节点的信息作为输入的网络比多个节点信息作为输入的网络性能更好。这点在实际应用中有重要意义。徐宜桂等[6]采用神经网络对一钢筋混凝土梁进行损伤诊断，网络输入为有限单元各个节点处振型曲率相对于未损伤结构变化值，不同的输出节点表示不同的损伤位置，各个输出节点的值表示损伤程度。王柏生等[7]就模型参数误差对用神经网络进行结构损伤识别的影响进行了理论
- 2 -
未识别的网络分析、数值模拟及实验分析。理论分析表明，适当的构造输入向量，可以减小模型参数误差对结构损伤识别的影响。数值模拟表明，用神经网络进行结构损伤识别，受模型参数误差影响很小，在训练神经网络时，10%的模型参数误差是可以接受的。实验分析验证了神经网络在有模型误差时的识别能力。周仙通等[8]对一个两层框架结构和香港青马大桥的一些结构参数用优化方法和神经网络方法分别进行了识别，神经网络的输入参数取为结构频率。结果表明，两种方法都能够较好的识别出结构参数。文章还讨论了两种方法的优缺点。郭杏林和陈建林[9]采取结构低阶固有频率的变化作为特征参数，对结构的固有频率改变量进行相应处理，分别构造判断结构损伤位置和结构损伤程度的神经网络输入向量。通过首先判断损伤位置，然后识别损伤程度，可大大减小网络的训练样本数量。
Masri等[10]直接利用时程数据和神经网络进行损伤识别，这种方法适用于结构的损伤状况难以预计，而不能获得损伤状况与相应的响应的样本数据来对网络进行训练。该方法的不足是测试信号的变化不能对应特定的损伤状况。作者采用时程数据作为的网络输入输出对网络进行训练，网络输入为相对位移和相对速度，网络输出为恢复力。在进行损伤检测时，将相对位移、相对速度输入训练好的网络，得到相应的网络输出，把网络输出与测试值比较，得到根均方误差。相对于参考结构，各种损伤情况根均方误差发生了变化，从而获知结构发生了损伤。损伤程度不同，根均方误差的大小也不同，从而可判别结构损伤的程度。但由于在结构参数未知的情况下，是由结构激励和响应作为网络的输入输出，
根均方误差的大小变化并不能直接对应相应的刚度减小或阻尼增加。Nakamura等[11]以1995年神户地震中受到损伤的7层钢结构建筑为研究对象，将修复后的结构视为未损伤状态，通过比较两种状态下损伤指标进行损伤识别。对结构的每一层分别建立一个网络，用震动数据分别进行训练。网络输入采用层间位移和层间速度，网络输出取为恢复力，网络训练采用自适应网络随机搜索算法。网络测试结果表明，对于损伤较大的楼层，损伤后的网络输出与实测值的根均方误差相差明显大于损伤前的网络输出与实测值的根均方误差，说明结构发生了损伤。而对于损伤不明显的楼层，损伤后的网络输出与实测值的根均方误差与损伤前的网络输出与实测值的根均方误差相差不大。通过恢复力的相平面图（恢复力—层间位移），用最小二乘法可估计出层间刚度（椭圆长轴和水平轴的夹角）。由损伤前后的层间刚度改变值，获得刚度损失，该方法能够检测出刚度损伤大于20%的情况。比较刚度减小百分比和网络输出根均方误差变化百分比，明显后者比前者大很多，也就是说，神经网络方法是一个高敏感性的损伤检测方法。该方法的不足是只能检测出整体刚度损失，而不能确定是哪一根杆件发生了损伤，损伤量是多大。Wu等[12] 作了与Nakamura类似的研究。Masri[13]等对进行损伤检测的神经网络的权值进行了研究，发现满足映射关系的神经网络的权值矩阵非唯一性，通过神经网络连接权
- 3 -
值的变化来获得结构参数的变化是不可能的，特定的网络权值并不和一定的结构参数相对应。
2.2 其他类型的神经网络应用
BP神经网络存在收敛速度慢、容易收敛到局部最小等缺点，近年来，一些其他类型的神经网络逐渐应用到了损伤检测领域。一种用于损伤检测的神经网络是概率神经网络（PNN），概率神经网络最先是由Specht[14]提出来的，王柏生等[15]用概率神经网络对结构的损伤位置进行识别，并与BP网络的识别结果进行了比较，结果表明，对于文中所分析结构，即一个六层框架和两层框架，无论在训练样本中是否加入噪声，概率神经网络性能优于BP神经网络。姜绍飞等[16]用传统概率神经网络和自适应概率神经网络对青马悬索桥的损伤定位进行了研究，研究结果表明自适应概率神经网络比传统概率神经网络的损伤定位效果更好。用概率神经网络进行损伤识别，是根据测试样本与各类训练样本间的距离来确定测试样本属于哪一类，目前仅用于确定结构损伤位置。另一种用于损伤检测的神经网络类型是径向基神经网络（RBF），Atalla和Inman[17]用径向基神经网络进行模型修正，数值模拟和试验结果表明了径向基神经网络用于模型修正的可行性。Reddy和Ganguli[18]将径向基神经网络用于直升机部件的损伤检测，取得了好的效果。
2.3 基于神经网络的分步识别方法
对于大型结构，待识别的参数很多，如果直接将各个待识别参数进行变化组合，会造成以下后果：训练样本数庞大，形成训练样本需要大量的正问题分析，计算量巨大；网络输入输出节点数很多，网络结构复杂，收敛困难。因此，对于复杂结构，一次识别出所有结构单元的损伤是不现实的。为了有效减少待识别参数，Topole和Stubbs[19]采用二阶段法进行损伤识别：在第一阶段运用损伤指数确定可
能的损伤单元，在第二阶段运用神经网络对损伤单元的损伤程度进行识别。Yun和Bahng[20]则采用子结构法来减少待识别参数数量：将整个结构划分为各个子结构，预先判断可能发生损伤的子结构，然后对该子结构进行损伤识别；或者直接对各个子结构分别进行损伤识别。瞿伟廉等[21]将待识别结构划分为子区域，先用概率神经网络确定损伤的子区域，再用径向基神经网络进行损伤位置和程度的识别。作者采用该方法成功的对数值模拟高层框架节点损伤进行了识别。
3．存在问题与展望
3.1 存在问题
（1）对神经网络本身来说，BP网络存在收敛速度慢，训练要花费大量时间，容易收敛到局部最小等缺点，网络的隐含层数目和隐含层神经元数目要通过试算确定，神经元数目太
- 4 -
少，网络不易收敛，神经元数目太多，网络泛化性能不好。径向基神经网络用基函数覆盖输入空间，建立输入输出空间的映射关系，径向基神经网络训练速度快，但在训练样本很多的情况下会造成隐含层节点数很多，占用大量的内存。概率神经网络将贝叶斯决策规则放入神经网络框架中，使其能够较好地处理不确定性信息。二者均采用高斯函数作为基函数，决定其形状的光滑参数需取决于人们的经
验。自适应概率神经网络对各模式类训练样本采用不同的光滑参数，这样自适应概率神经网络提高了分类精度，但却增加了训练时间。
（2）神经网络用于诊断复杂结构的损伤存在困难，同时诊断损伤位置和损伤程度需要大量的训练样本，网络输入参数的选择还需要进一步研究。
3.2 展望
（1）由当前的研究现状可知，用于损伤检测的神经网络类型有BP神经网络、概率神经网络和径向基神经网络等类型，不同类型的神经网络有不同的特性。对于特定的问题，有可能用某一类神经网络来解决特别合适，这是一个有待研究的方面。同时，即使是同一类型的神经网络（如BP网络），也有各种不同的训练学习算法，不同的算法对于待求解问题的适用性也不同。
（2）将复杂结构划分为子结构进行分步识别是解决复杂结构损伤识别、提高计算效率的有效途径。
（3）优化传感器布置，利用不完整的、局部的、多种测量信息获得结构整体损伤状况分析方法的研究具有重要意义。
参考文献
[1] Funahashai K. On the approximate realization of continuous mappings by neural networks. Neural Networks 1989; 2:183-192.
[2] Wu X, Ghaboussi J, Garrett JH, Jr. Use of neural networks in detection of structural damage. Computers and Structures 1992; 42:649-659.
[3] Tsou P, Shen MHH. Structural damage detection and identification using neural networks. AIAA Journal 1994; 32:176-183.
[4] Elkordy MF, Chang KC, Lee GC. Neural networks trained by analytically simulated damage states. Journal of Computing in Civil Engineering 1993; 7:130-145.
[5] Barai SV, Pandy PC. Vibration signature analysis using artificial neural networks. Journal of Computing in Civil Engineering 1995; 9:259-265.
[6] 徐宜桂, 史铁林, 杨叔子. 基于神经网络的结构动力模型修改和破损诊断研究. 振 动 工 程 学 报 1997; 10:8-12.
[7] 王柏生, 丁皓江, 倪一清, 高赞明. 模型参数误差对用神经网络进行结构损伤识别的影响. 土木工程学报 2000; 33:49-55.
[8] 周仙通, 王柏生, 倪一清. 用神经网络和优化方法进行结构参数识别. 计算力学学报 2001;
18:235-238.
[9] 郭杏林, 陈建林. 基于神经网络技术的结构损伤探测. 大连理工大学学报 2002; 42:269-273.
[10] Masri SF, Nakamura M, Chassiakos AG, Caughey TK. Neural network approach to detection of
- 5 -
changes in structural parameters. Journal of Engineering Mechanics 1996; 122:350-360.
[11] Nakamura M, Masri SF, Chassiakos AG, Caughey TK. A method for non-parametric health monitoring through the use of neural networks. Earthquake Engineering and Structural Dynamics 1998; 27:997-1010.
[12] Wu Z, Xu B, Yokoyama K. Decentralized Parametric Damage Detection Based on Neural Networks. Computer-Aided Civil and Infrastructure Engineering 2002; 17:175-184.
[13] Masri SF, Smyth AW, Chassiakos AG et al. Application of neural networks for detection of changes in nonlinear systems. Journal of Engineering Mechanics 2000; 126:666-676.
[14] Spec ht DF. Probabilistic neural networks. Neural Networks 1990; 3:109-118.
[15] 王柏生, 倪一清, 高赞明. 用概率神经网络进行结构损伤位置识别. 振动工程学报 2001;
14:60-64.
[16] 姜绍飞, 刘明, 倪一清, 高赞明. 大跨悬索桥损伤定位的自适应概率神经网络研究. 土木工程学报 2003; 36:74-78.
[17] Atalla MJ, Inman DJ. On model updating using neural networks. Mechanical Systems and Signal Processing 1998; 12:135-161.
[18] Reddy RRK, Ganguli R. Structural damage detection in a helicopter rotor blade using radial basis function neural networks. Smart Mateials and Structures 2003; 12:232-241.
[19] Topole KG, Stubbs N. Nondestructive Damage Evaluation of a Structure from Limited Modal Parameters. Earthquake Engineering and Structural Dynamics 1995; 24:1427-1436.
[20] Yun C-B, Bahng EY. Substructural identification using neural networks. Computers and Structures 2000; 77:41-52.
[21] 瞿伟廉, 陈伟, 李秋胜. 基于神经网络技术的复杂框架结构节点损伤的两步诊断法. 土木工程学报 2003; 36:37-45.
State-in-art of Neural-networks-based Structural Damage
Detection In Civil Engineering
2
Li Lin1, Hong Kezhu1,, Zhu Hongping1
1 School of Civil Engineering & Mechanics, Huazhong University of Science & Technology
2 China Construction Third Engineering Bureau
ABSTRACT: It is of very important value to detect structural damage and monitor the health in time. Recently, damage detection by using neural networks has received extensive attention and research in civil engineering. This paper reviews works of neural networks method in structural damage detection. Various types of neural networks, various input-output data types to neural networks, the effect of modeling errors on structural damage detection and damage detection in the two-step appro
ach are also included. Finally, prospect of using neural networks in structural damage detection is set forth.
Keywords: engineering structures, damage detection, neural networks
- 6 -
发布评论