隨著社會經(jīng)濟的發(fā)展,土木結(jié)構(gòu)建設(shè)的趨勢是“高、大、長”,因而對結(jié)構(gòu)安全性的要求也越來越高,建立大型結(jié)構(gòu)的智能健康監(jiān)測系統(tǒng)已成為土木工程學(xué)科發(fā)展的重要領(lǐng)域[1, 2]。
一個完整的
智能健康監(jiān)測專家系統(tǒng)簡單來說可以分為三個部分[3],即信號采集、信號處理和損傷診斷。其中損傷診斷是健康監(jiān)測的核心問題,是對結(jié)構(gòu)進行安全性評估和維護決策的基礎(chǔ)。目前損傷診斷方法有多種,而人工神經(jīng)網(wǎng)絡(luò)(簡稱ANN)診斷技術(shù)在知識獲取、并行推理、適應(yīng)性學(xué)習(xí)、聯(lián)想推理、容錯能力等方面具有較大的優(yōu)越性。
1. 神經(jīng)網(wǎng)絡(luò)在損傷識別診斷中得應(yīng)用
神經(jīng)網(wǎng)絡(luò)技術(shù)之所以適合于結(jié)構(gòu)損傷診斷,主要有三個原因[4],①訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能夠存儲有關(guān)過程的知識,根據(jù)對象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),然后將此信息與當(dāng)前測量數(shù)據(jù)進行比較,以確定損傷。②神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力。③神經(jīng)網(wǎng)絡(luò)具有分辨損傷原因及損傷類型的能力。
損傷診斷可分為無模型識別法(Free-Model)和有模型識別法(Model-Based)兩大類[5]。
無模型識別是指損傷識別過程中不需要建立結(jié)構(gòu)的數(shù)學(xué)與力學(xué)模型,完全基于結(jié)構(gòu)現(xiàn)場實時檢測數(shù)據(jù)并考慮專家經(jīng)驗建立結(jié)構(gòu)狀態(tài)知識庫,然后采用人工神經(jīng)網(wǎng)絡(luò)診斷技術(shù)進行診斷。因為結(jié)構(gòu)在不同狀態(tài)下其本身的某些往往會發(fā)生變化,這些變化包含了結(jié)構(gòu)損傷位置和損傷程度的信息,根據(jù)結(jié)構(gòu)特性變化分析就可以反演結(jié)構(gòu)是否存在損傷以及損壞位置和損傷程度。這是一個反分析過程,需要建立結(jié)構(gòu)關(guān)鍵性能指標變化與結(jié)構(gòu)狀態(tài)的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)通過對實測數(shù)據(jù)加專家經(jīng)驗建立的知識信息進行學(xué)習(xí),通過權(quán)值記下所學(xué)過的樣本知識并掌握輸入、輸出之間復(fù)雜的非線性關(guān)系。在診斷過程中,根據(jù)實測關(guān)鍵性能指標的變化與儲存在已建知識庫的各種狀態(tài)的損傷識別量進行模式匹配來進行結(jié)構(gòu)的損傷檢測與診斷。建立在實測數(shù)據(jù)基礎(chǔ)上的專家數(shù)據(jù)知識庫,其知識信息具有真實性、連續(xù)性、準確性,可以不斷更新。
基于模型的損傷診斷技術(shù)是在結(jié)構(gòu)健康診斷過程中,通過建立精細的能夠反映結(jié)構(gòu)的真實形態(tài)的結(jié)構(gòu)數(shù)學(xué)與力學(xué)模型,分析計算結(jié)構(gòu)在各種狀態(tài)下的參數(shù)指標,輔助實測數(shù)據(jù)以及考慮專家經(jīng)驗建立結(jié)構(gòu)狀態(tài)知識信息庫,利用人工神經(jīng)網(wǎng)絡(luò)的模式識別功能進行結(jié)構(gòu)損傷狀態(tài)的診斷。所謂精細的模型是指理論分析的數(shù)據(jù)應(yīng)該和實測數(shù)據(jù)吻合得較好,兩者偏差要在允許范圍內(nèi),這與設(shè)計分析所需建立的計算模型相比要求更加嚴格,如果用于損傷識別的模型存在較大的模型誤差,會使計算的參數(shù)產(chǎn)生與損傷引起的參數(shù)改變相當(dāng),甚至更大的偏差,就可能使基于這些參數(shù)改變的損傷檢測方法識別結(jié)果較差,甚至失效。
通常采用有限元法建立結(jié)構(gòu)力學(xué)模型作為損傷診斷的基準參考。進行精細有效的有限元動力分析,一種方法是利用商業(yè)化軟件如ANSYS、ABAQUS和ADINA等。但這些程序?qū)τ谝恍┙Y(jié)構(gòu)有特殊要求的分析就無能為力,例如混凝土壩考慮動水壓力影響下的動力分析。這就需要利用自編程序來進行分析,但是工作量較大。但已有的有限元模型修正技術(shù)僅適用“小誤差模型”的修正[6],而較大“誤差”的情況則屬于非適定的、非線性的問題。人工神經(jīng)網(wǎng)絡(luò)強大的非線性映射功能就非常適合解決結(jié)構(gòu)模型修正中非線性問題[7]。建立結(jié)構(gòu)有限元力學(xué)模型,選擇不同的材料物理參數(shù)與邊界條件可以計算不同的結(jié)構(gòu)響應(yīng),因此結(jié)構(gòu)響應(yīng)和結(jié)構(gòu)設(shè)計變量之間存在復(fù)雜的映射函數(shù)關(guān)系,這種近似映射函數(shù)關(guān)系用常規(guī)方法來確定比較困難。在前蘇聯(lián)數(shù)學(xué)家Kolmogorov提出的任意連續(xù)函數(shù)表示定理基礎(chǔ)上,Robert HN提出了Kolmogorov多層神經(jīng)網(wǎng)絡(luò)映射存在定理,從理論上論證了一個任意的連續(xù)函數(shù)都能與一個三層神經(jīng)網(wǎng)絡(luò)建立映射關(guān)系。這為人工神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)模型修正提供了理論基礎(chǔ)[7]。
2. 基于神經(jīng)網(wǎng)絡(luò)損傷診斷的兩級識別策略
采用人工神經(jīng)網(wǎng)絡(luò)方法對結(jié)構(gòu)損傷的發(fā)生、定位和損傷類型與程度進行研究,可以采用基于網(wǎng)絡(luò)判別指標過濾方法的兩級識別策略[8]。
2.1 自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷
自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法(Auto-associate Neural Network)利用健康結(jié)構(gòu)在正常情況下的序列測量數(shù)據(jù)作為訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X,Y,依次構(gòu)造一個自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(X→Y)。訓(xùn)練完成后,將輸入數(shù)據(jù)X再次輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net以便得到一組網(wǎng)絡(luò)輸出數(shù)據(jù),比較測量數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標。判別指標可以采用結(jié)構(gòu)某個動力特性參數(shù)加以構(gòu)造,也可將多個動力特性參數(shù)同時考慮加以構(gòu)造。具體結(jié)構(gòu)中最終如何構(gòu)造判別指標,需要根據(jù)結(jié)構(gòu)特點進行判別指標對結(jié)構(gòu)損傷的敏感度的分析加以確定。
當(dāng)同一個結(jié)構(gòu)可能發(fā)生損傷以后的測量數(shù)據(jù)被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net,由本次輸入數(shù)據(jù)和輸出數(shù)據(jù)可以計算得到的新的判別指標,與健康結(jié)構(gòu)的判別指標相比較,就可以預(yù)告結(jié)構(gòu)是否發(fā)生損傷。如果兩者差值(可以稱為損傷指標)較大,就認為結(jié)構(gòu)已經(jīng)發(fā)生損傷。
2.2 概率神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷的位置和類型
結(jié)構(gòu)損傷指標的判定通常只能檢測損傷的發(fā)生,難以確定損傷的位置和損傷的類型。概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,簡稱PNN)可以用于判定損傷的位置和類型。
PNN[9-11]是通過具有無參數(shù)估計量的已知數(shù)據(jù)集的概率密度函數(shù)來實現(xiàn)貝葉斯決策,將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進行判別未知數(shù)據(jù)最大可能屬于哪個已知數(shù)集,對于具有,,…,,…,的多類指標問題來說,基于p維試驗向量X的貝葉斯決策d(X)為: (1)
式中――分類指標的先驗概率
――與錯誤分類的相關(guān)損失,在損傷檢測問題中兩者通常假定相等
――概率密度函數(shù)
采用多變量高斯(Gauss)分布函數(shù):
(2)
將該貝葉斯決策映射為一個人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一個概率神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)分為四層,即輸入層、模式層、求和層和決策層,如圖1所示。
輸入向量X的每個元素作為輸入層的輸入?yún)?shù)。由權(quán)重向量和向量X的點積構(gòu)成中間層的神經(jīng)元,而相對于分類號q的決策層神經(jīng)元輸出為:
(3)
式中 ――高斯核的標準差
傳統(tǒng)PNN對所有高斯核都采用統(tǒng)一的值。影響傳統(tǒng)PNN廣泛應(yīng)用的最大障礙就是所有的參數(shù)具有同一個參數(shù)值。對于自適應(yīng)PNN,每一測量維數(shù)具有不同的參數(shù)。
假定具有不同損傷部位(即損傷模式)和不同剛度損傷程度(如0%,20%,75%和90%)的有限元分析得到的模態(tài)數(shù)據(jù)作為輸入數(shù)據(jù)輸入PNN進行訓(xùn)練,數(shù)據(jù)可以加入或者不加入環(huán)境“污染”分量。損傷位置或類型假定有多種。如果結(jié)構(gòu)損傷標識量選用自振頻率變化率,輸入向量X為P個自振頻率變化率,將帶有某種類型損傷(或混合模式損傷)的實測模態(tài)數(shù)據(jù)輸入訓(xùn)練好的PNN,則得到?jīng)Q策層(輸出層)各個損傷形態(tài)在試驗向量點對應(yīng)的概率密度函數(shù)PDF的估計值,具有最大PDF的損傷模式將給出損傷的位置或者類型。
這種損傷診斷方法最大優(yōu)勢在于可以降低測量誤差對損傷識別結(jié)果的影響。因為損傷識別指標對模態(tài)參數(shù)變化率敏感,對于具有相同環(huán)境“污染”程度的前后兩次數(shù)據(jù),其“污染”造成的誤差可以抵消,從而對損傷識別精度的影響較小。從本質(zhì)上說,如果網(wǎng)絡(luò)訓(xùn)練階段并不需要數(shù)學(xué)模型分析而直接采用健康結(jié)果的實測數(shù)據(jù),則神經(jīng)網(wǎng)絡(luò)算法并不需要數(shù)學(xué)模型,這也是該算法的一個優(yōu)點。
研究表明[12, 13],在損傷診斷過程中,模型誤差對損傷識別結(jié)果的影響要比測量誤差小,而且隨著損傷程度的增加而變化不大。用誤差≯10%的模型來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),是完全可以接受的。神經(jīng)網(wǎng)絡(luò)對損傷的識別結(jié)果受測量誤差影響較大,但隨損傷程度的增加而降低。改善測量誤差,降低其對識別結(jié)果的影響極其重要。
3. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法
近年來。不斷發(fā)展起來的多傳感器數(shù)據(jù)融合(或稱信息融合)技術(shù)以其強大的時空覆蓋能力和對多源不確定性信息的綜合處理能力,可以有效進行結(jié)構(gòu)系統(tǒng)的監(jiān)測和診斷。雖然目前基于動力響應(yīng)的各種智能損傷診斷技術(shù)得到研究,但這些技術(shù)存在著識別精度不高或適用條件等缺陷。目前迅速發(fā)展的數(shù)據(jù)融合技術(shù)具有充分利用各個數(shù)據(jù)源包含的冗余和互補信息的優(yōu)點,可以提高系統(tǒng)決策的準確性和魯棒性。姜紹飛等[14]提出的基于小波概率神經(jīng)網(wǎng)絡(luò)(wavelet probabilistic neural network WPNN)和數(shù)據(jù)融合的結(jié)構(gòu)損傷檢測方法將兩者有機結(jié)合,推動了神經(jīng)網(wǎng)絡(luò)技術(shù)在土木結(jié)構(gòu)健康檢測中應(yīng)用的發(fā)展。
3.1 數(shù)據(jù)融合
數(shù)據(jù)融合是多源信息綜合處理的一項新技術(shù),是將來自某一目標(結(jié)構(gòu))的多源信息加以智能化合成,得到比單一傳感器更精確、更完全的估計,其有點突出表現(xiàn)在信息的冗余性、容錯性、互補性、實時性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量單元組成的非線性大規(guī)模自適應(yīng)動力系統(tǒng),具有學(xué)習(xí)、容錯、記憶、計算以及智能處理,二者在結(jié)構(gòu)上存在著相似性,可以充分利用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢,考慮傳感器或者信息處理單元之間的互相影響、互相制約的關(guān)系,體現(xiàn)了信息融合系統(tǒng)是一個有機的整體,而不是多種信息的羅列和簡單的代數(shù)加減關(guān)系。根據(jù)信息(數(shù)據(jù))表征的級次,數(shù)據(jù)融合可以分為數(shù)據(jù)級融合、特征級融合和決策級融合。
3.2 小波變化及小波概率神經(jīng)網(wǎng)絡(luò)
設(shè)函數(shù),如果滿足,則稱為基本小波或母小波。將母小波函數(shù)伸縮和平移,得到的函數(shù)稱為小波函數(shù),簡稱小波。
設(shè)信號,則其小波變換定義為
基于小波變化的神經(jīng)網(wǎng)絡(luò)稱為小波神經(jīng)網(wǎng)絡(luò),它是小波分析與神經(jīng)網(wǎng)絡(luò)的融合(結(jié)合)二者的結(jié)合有兩種途徑:其一,將小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段,為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量,也稱松散型小波神經(jīng)網(wǎng)絡(luò)、其二,將小波分析與神經(jīng)網(wǎng)絡(luò)直接融合,即以小波函數(shù)和尺度函數(shù)來形成神經(jīng)元,也稱緊湊型小波神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)繼承了小波分析與神經(jīng)網(wǎng)絡(luò)的優(yōu)點,通過訓(xùn)練自適應(yīng)地調(diào)整小波基的形狀實現(xiàn)小波變換,具有良好的函數(shù)逼近能力和模式分類能力。
3.3 基于WPNN與數(shù)據(jù)融合的損傷檢測方法
為了充分發(fā)揮數(shù)據(jù)融合與WPNN的優(yōu)點,提出了基于WPNN與數(shù)據(jù)融合的損傷模型(見圖2),它首先將來自傳感器1的結(jié)構(gòu)響應(yīng)進行數(shù)據(jù)預(yù)處理、特征提取,采用小波理論,獲得該傳感器的小波能量特征向量;依次類推,獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中,進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及融合計算;最后根據(jù)最大的概率密度函數(shù)值得到融合損傷識別結(jié)果及損傷類型。
為了驗證該方法的有效性,姜紹飛運用美國土木工程學(xué)會提出的一個4層鋼結(jié)構(gòu)框架模型進行驗證[14]。通過驗證可見,基于WPNN與數(shù)據(jù)融合的損傷檢測方法的識別效果比用單傳感器進行損傷識別分類的效果好,它對損傷最敏感,受噪聲的干擾影響最小;另一方面也說明,數(shù)據(jù)融合能夠使不同傳感器的信息相互補充,從而減小了損傷檢測數(shù)據(jù)(信息)的不確定性,使結(jié)構(gòu)的信息具有更高的精度和可靠性,進而能夠獲得更準確的損傷識別結(jié)果及最優(yōu)的結(jié)構(gòu)狀態(tài)估計。
4. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)選擇
采用什么參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量是利用人工神經(jīng)網(wǎng)絡(luò)進行結(jié)構(gòu)損傷診斷中需要考慮的極其關(guān)鍵的一個問題。神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的選擇及其表達形式直接影響損傷診斷的結(jié)果。采用結(jié)構(gòu)動力參數(shù)作為結(jié)構(gòu)損傷識別的方法現(xiàn)在得到大量的應(yīng)用。其原因一方面是結(jié)構(gòu)動力參數(shù)是結(jié)構(gòu)本身固有特性,受外界環(huán)境干擾較小。另一方面結(jié)構(gòu)自振頻率和振動模態(tài)等動力參數(shù)比較容易從少量的動態(tài)測量中得到,而且測量方法比較簡單?；诮Y(jié)構(gòu)動力特性的損傷診斷方法,其基本思想是結(jié)構(gòu)的物理參數(shù)如剛度、質(zhì)量和阻尼比等在結(jié)構(gòu)不同狀態(tài)中的變化會改變結(jié)構(gòu)動力特性――固有頻率和模態(tài)。因此可以根據(jù)結(jié)構(gòu)的固有頻率、模態(tài)振型或者兩者一起考慮等方法進行檢測,另外還可以利用這些模態(tài)參數(shù)計算模態(tài)曲率、應(yīng)變模態(tài)、結(jié)構(gòu)柔度、模態(tài)阻尼比等力學(xué)指標,然后采用神經(jīng)網(wǎng)絡(luò)算法等對結(jié)構(gòu)的損傷發(fā)生、損傷定位、損傷程度進行檢測。對于簡單的構(gòu)件來說,采用結(jié)構(gòu)固有振動頻率作為網(wǎng)絡(luò)輸入?yún)?shù)就可以得到良好的診斷結(jié)果[15-17]。固有頻率可以在結(jié)構(gòu)的一個點上測到,并且與測點位置相對獨立,是一個能反映結(jié)構(gòu)整體的動力特性。但對于一般結(jié)構(gòu),固有頻率包含的結(jié)構(gòu)損傷信息還不足以進行識別與定位,例如對稱結(jié)構(gòu),兩個對稱位置的損傷所引起的固有頻率變化是完全相同的。因此有人建議采用固有頻率和關(guān)鍵點的振型模態(tài)作為組合參數(shù)進行神經(jīng)網(wǎng)絡(luò)損傷診斷比較實用[18, 19],這可以解決對稱結(jié)構(gòu)和測量模態(tài)數(shù)據(jù)不完備問題。
對于結(jié)構(gòu)損傷診斷來說,固有頻率和振動模態(tài)是檢測的全局量,可以用來對結(jié)構(gòu)整體狀態(tài)進行描述。但對于復(fù)雜結(jié)構(gòu),像大跨徑橋梁,其贅余度大,造成結(jié)構(gòu)局部損傷對整體性能反映影響不大,也就是說全局參數(shù)指標對局部損傷不敏感。例如結(jié)構(gòu)局部損傷導(dǎo)致的固有頻率變化很小,估計<5%,而Askegaurd等人在對橋梁長期觀測后發(fā)現(xiàn),在1a(年)內(nèi)大橋即使無任何明顯的變化,其自振頻率的變化也可以達到10%[20]。有的研究表明,頻率模態(tài)對局部損傷的位置和程度都不敏感。不同位置、不同程度的損傷可能導(dǎo)致結(jié)構(gòu)模態(tài)頻率相同的變化[21]。
采用全局量可以判斷結(jié)構(gòu)是否損傷,而用于結(jié)構(gòu)損傷定位的物理參數(shù)需要選擇局域量,且需滿足四個基本條件[22],①對局部損傷敏感,且為結(jié)構(gòu)損傷的單調(diào)函數(shù)。②具有明確的位置坐標。③在損傷位置,損傷標識量應(yīng)出現(xiàn)明顯的峰值變化。④在非損傷位置,損傷標識量或者不發(fā)生變化,或者變化幅度小于預(yù)定的閾值。
陸秋海[23]比較了六種不同輸入?yún)?shù)對于結(jié)構(gòu)損傷的敏感程度。得到的結(jié)論是,六種輸入?yún)?shù)對結(jié)構(gòu)損傷的敏感程度從低到高依次為:位移模態(tài)指標、固有振動頻率指標、位移頻響函數(shù)指標、曲率、應(yīng)變模態(tài)指標以及應(yīng)變頻響函數(shù)指標。相比較來看,應(yīng)變模態(tài)指標是較好的結(jié)構(gòu)動力損傷診斷的損傷識別標識量,而且有對結(jié)構(gòu)局部損傷敏感的優(yōu)點,可以用作大型土木結(jié)構(gòu)局部損傷定位的人工神經(jīng)網(wǎng)絡(luò)診斷輸入?yún)?shù)。
5. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)選擇
人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上人工構(gòu)造的能實現(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型,是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。
人工神經(jīng)網(wǎng)絡(luò)發(fā)展幾十年來,形成了數(shù)十種網(wǎng)絡(luò),包括多層感知器,BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)共振理論和概率神經(jīng)網(wǎng)絡(luò)等等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同,應(yīng)用范圍業(yè)有所不同,但這些神經(jīng)網(wǎng)絡(luò)模型原則上講都可用來進行結(jié)構(gòu)損傷診斷,只是存在簡單與復(fù)雜、穩(wěn)定與不穩(wěn)定、診斷效果高低與診斷結(jié)果好壞的差別。前面介紹的大型結(jié)構(gòu)基于神經(jīng)網(wǎng)絡(luò)的兩級損傷識別策略是采用以自適應(yīng)共振理論為基礎(chǔ)的自組織神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)。
建立大型土木結(jié)構(gòu)的智能健康監(jiān)測專家系統(tǒng),首先要建立損傷診斷的子系統(tǒng)。采用人工神經(jīng)網(wǎng)絡(luò)進行記誒構(gòu)損傷診斷,首先要根據(jù)各種神經(jīng)網(wǎng)絡(luò)的特點和適用范圍,選擇解決自己問題的合適模型,然后采用某種程序語言進行編制。若采用商業(yè)化軟件建立損傷診斷子系統(tǒng),則不能很好地與信號采集系統(tǒng)及專家知識庫進行有效鏈接,從而妨礙實施在線檢測與連續(xù)診斷。Matla現(xiàn)已成為國際上公認的最優(yōu)秀的數(shù)值計算和仿真軟件,其強大的擴展功能為各個領(lǐng)域的應(yīng)用提供了基礎(chǔ),由各個領(lǐng)域的專家在Matlab平臺上推出了30多個應(yīng)用的工具箱。神經(jīng)網(wǎng)絡(luò)工具箱是Matlab環(huán)境下所開發(fā)的許多工具箱之一,它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ),用Matlab語言構(gòu)造出各種神經(jīng)網(wǎng)絡(luò)算法。因此建立人工神經(jīng)網(wǎng)絡(luò)進行損傷診斷時,利用Matlab語言可以減少工作量,提高效率。
參考文獻:
[1] 李宏男,李東升. 土木工程結(jié)構(gòu)安全性評估、健康監(jiān)測及診斷述評[J]. 地震工程與工程振動. 2002(3): 82.
[2] 謝強,薛松濤. 土木工程結(jié)構(gòu)健康監(jiān)測的研究狀況與進展[R]. , 2001.
[3] 周智,歐進萍. 土木工程智能健康監(jiān)測與診斷系統(tǒng)[J]. 傳感器技術(shù). 2001, 20(11): 1-4.
[4] 姜紹飛,周廣師,劉紅兢,劉明. 考慮不確定性因素的結(jié)構(gòu)損傷檢測方法[J]. 沈陽建筑工程學(xué)院學(xué)報(自然科學(xué)版). 2002(2): 85-87.
[5] 陳長征,羅躍剛等. 結(jié)構(gòu)損傷檢測與智能診斷[M]. 北京: 科學(xué)出版社, 2001.
[6] 張德文,魏阜旋. 模型修正與破損診斷[M]. 北京: 科學(xué)出版社, 1999.
[7] 段雪平, 朱宏平, 熊世樹. 神經(jīng)網(wǎng)絡(luò)在建筑物有限元模型修正中的應(yīng)用[J]. 噪聲與振動控制. 2000(2): 11.
[8] 姜紹飛. 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷識別[M]. 北京: 科學(xué)出版社, 2002.
[9] 王柏生,倪一清,高贊明. 用概率神經(jīng)網(wǎng)絡(luò)進行解雇損傷位置識別[J]. 振動工程學(xué)報. 2001, 14(1): 60-64.
[10] 姜紹飛,倪一清,高贊明. 基于概率神經(jīng)網(wǎng)絡(luò)的青馬懸索橋定位的仿真研究[J]. 工程力學(xué). 2001: 965-969.
[11] 杜德潤. 地震作用下大體積混凝土結(jié)構(gòu)損傷識別研究[D]. 南京: 東南大學(xué), 2002.
[12] 王柏生,丁皓江,倪一清,高贊明. 模型參數(shù)誤差對用神經(jīng)網(wǎng)絡(luò)進行結(jié)構(gòu)損傷識別的影響[J]. 土木工程學(xué)報. 2000(1): 50-55.
[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.
[14] 姜紹飛,付春,陳仲堂, 盛巖. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法[J]. 沈陽建筑大學(xué)學(xué)報(自然科學(xué)版). 2005(2).
[15] 陳建林,郭杏林. 基于神經(jīng)網(wǎng)絡(luò)的簡支梁損傷檢測研究[J]. 煙臺大學(xué)學(xué)報(自然科學(xué)與工程版). 2001(3).
[16] 羅躍綱, 陳長征, 王占國. 鋼梁損傷的神經(jīng)網(wǎng)絡(luò)診斷分析[J]. 工業(yè)建筑. 2002(1).
[17] 羅躍綱, 劉紅兢, 王政奎. 鋼板結(jié)構(gòu)損傷對其動力特性的影響研究[J]. 沈陽工業(yè)大學(xué)學(xué)報. 2002(3).
[18] 郭國會,易偉建. 基于神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)破損評估[J]. 重慶建筑大學(xué)學(xué)報. 1999, 21(3): 106-121.
[19] 王柏生,倪一清,高贊明. 框架結(jié)構(gòu)連接損傷識別神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的確定[J]. 振動工程學(xué)報. 2000, 13(1): 137-142.
[20] 雷俊卿,錢冬生. 長大跨橋?qū)崟r監(jiān)測預(yù)警系統(tǒng)研究[J]. 公路. 2002(2): 1-4.
[21] 瞿偉廉,陳偉. 多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法[J]. 地震工程與工程振動. 2002, 22(1): 43-48.
[22] 董聰,范立礎(chǔ),陳肇元. 結(jié)構(gòu)智能健康診斷的理論與方法[J]. 中國鐵道科學(xué). 2002, 23(1): 11-24.
[23] 陸秋海. 基于應(yīng)變模態(tài)理論的結(jié)構(gòu)修改和損傷神經(jīng)網(wǎng)絡(luò)辨識法研究[D]. 北京: 清華大學(xué), 1997.
