摘要：通過分析小波概率神經網絡(WPNN)與數據融合技術在工程結構損傷識別中的應用原理，建立了基于小波概率神經網絡和數據融合技術的模型。對懸臂板結構進行了數值模擬試驗，運用損傷單元數據作為輸入向量訓練了WPNN與數據融合的損傷識別模型，并選取4個單元作為檢驗樣本進行檢驗，檢驗的結果與數值試驗分析吻合較好，表明，該方法在工程結構的損傷識別中有較好的應用價值。

　　關鍵詞： 結構損傷,損傷識別,懸臂版,小波概率神經網絡(WPNN),數據融合

　　1 引言

　　當前，世界范圍內建筑工業的重心正在從大規模新建轉向新建與維修加固并舉[1]。土木工程結構如房屋建筑、橋梁、海洋平臺等在投入使用之后，由于地震、火災、咫風等自然災害或一長期作用的疲勞、腐蝕等原因而產生不同程度的損傷，結構損傷經過長期的累積必然會導致結構發生破壞或使用性能降低[2]。結構的損傷檢測、診斷是土木工程結構經歷自然災害、長期作用后進行維修、加固的基礎，是一項復雜的系統工程，其核心的問題是基于什么理論進行損傷的檢測[3]。

　　在損傷識別以及其它的信息獲取及處理過程中，信息的確定程度主要取決于選用傳感器的種類、所選擇的方法以及信息源本身[4]。進一步說，單一傳感器獲得的信息通常是不完整、不精確的。多傳感器數據融合技術從多源信號中獲取信息，減小了信息的不確定度，助于幫助制定決策。無損檢測數據融合近幾年發展很快。來自不同國家的很多人對它表現出極大的興趣，他們已經提出了多種適用于無損檢測數據融合的模型[5]。本文給出了一種新的基于小波概率神經網絡(wavelet probabilistic neural network , WPNN)和數據融合的結構損傷檢測方法模型，并給出了該模型在結構損傷識別中的應用。

　　2 基于頻率的結構損傷識別原理

　　運用試驗測試的數據來確定結構系統運動方程中的參數叫做參數識別。參數識別的典型過程包括在結構系統的模態試驗中測量由于外部激勵作用下的結構響應;從響應的數據中直接地或通過數據處理技術確定系統的動力特性，諸如自振動頻率和振型。結構的頻率相對振型來說更容易較準確測量，而且能夠反映結構整體特征，使其成為結構損傷識別中的重要特征參數。由于系統的自振動頻率和振型是系統參數如質量和剛度的函數，所以可以將實驗得到的結構動力特性與數學模型預測的結構動力特性進行比較從而確定系統參數[6]。結構損傷探測的基本方法正是基于以上的基本概念而產生的。

　　當不考慮阻尼時，結構振動的特征值方程為

　　3 小波概率神經網絡與多傳感數據融合技術原理

　　目前，基于動力響應的各種智能損傷診斷技術得到研究，但這些技術存在著識別精度不高或適用條件等缺陷。迅速發展的數據融合技術具有充分利用各個數據源包含的冗余和互補信息的優點，可以提高系統決策的準確性和魯棒性�；�于小波概率神經網絡(wavelet probabilistic neural network , WPNN)和數據融合的結構損傷檢測方法將兩者有機結合，揚長避短在損傷識別中顯示出獨有的優越性。

　　為了充分發揮數據融合與 WPNN 的優點，提出了基于 WPNN 與數據融合的損傷檢測模型見圖1，它首先將來自傳感器 1 的結構響應進行數據預處理、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，進行神經網絡訓練及融合計算;最后根據最大的概率密度函數值得到融合損傷識別結果及損傷類型。

　　圖1 基于WPNN與數據融合技術的損傷識別模型

　　可見，基于 WPNN 與數據融合技術的損傷識別與診斷過程是根據從目標的檢測量得到損傷特征向量(模式)，經過數據融合分析計算與處理，進行損傷識別及損傷定位的過程。

　　4 結構損傷在線檢測原理

　　結構損傷檢測的核心技術是模式識別，而模式識別就是將理論分析得到的損傷模式特征庫與實測的模式進行匹配。一般先通過分析各種不同的損傷序列或破壞模態來建立模式庫，然后觀察實測振動信號的變化，并將它與可能發生損傷的模式數據庫進行比較，選擇最相似的模式。神經網絡本身具有模式匹配與記憶的能力，而且對于具有一定噪聲的模式，識別效果更好。運用模式識別進行損傷檢測與用神經網絡進行損傷檢測是兩種不同的診斷方法，但二者密切相關，可以用神經網絡來實現模式識別的損傷檢測。結構損傷的在線檢測原理如圖2所示。

　　5 數值模擬實驗分析

　　為了驗證神經網絡技術在結構損傷檢測中的有效性，利用ANSYS有限元程序模擬鋼筋混凝土懸臂板，物理參數為:板長lm，寬度0.5 m，密度為7.85 ×103 kg/m3，楊氏模量2.02 ×105 MPa，泊松比0.3。數值模擬試驗模型圖如圖3所示。以單元剛度折減15%來模擬結構的損傷，并忽略結構損傷引起的結構質量的改變。

　　懸臂板無損傷時前三階頻率為： =8.3206Hz, =35.6900Hz, =51.7780Hz。(理論值為 =8.5620Hz, =36.8200 Hz, =53.2900Hz),用16個位置剛度分別降低5%來模擬單元的損傷情況。

　　圖2 結構損傷在線檢測原理

　　圖3 數值試驗單元網格劃分圖

　　由于結構中某類損傷的發生可能只與幾個監測參數相關聯，即只跟損傷狀態樣本中與該損傷狀態模式對應的非零特征量相關;同樣，某一傳感器的輸出數據也可能與幾類損傷狀態模式有關。為了充分利用各傳感器的輸出數據進行損傷檢測，采用1、3、4、5、6、8、9、10、12、13、14、15、16單元所得到的訓練樣本進行損傷檢測與識別模型的訓練，基于 WPNN 與數據融合的損傷識別模型的訓練樣本數可以確定出來，檢驗樣本數為2、7、10、11單元的數據。WPNN模型的拓撲結構為20-165-5-5，即輸入層神經元個數為 20，模式層神經元個數為 165，求和層和決策層中的神經元均為5 個。模型配置訓練好后，用另外2、7、10、11這4個檢驗樣本進行檢驗，基于 WPNN 與數據融合損傷檢測方法的識別正確率較好。

　　6 結論

　　多傳感器數據融合損傷識別性能較好，使用基于 WPNN 與數據融合的損傷識別方法能夠提高損傷識別與診斷的準確性與可靠性。多傳感器所采集的信息具有冗余性，當其中有一個甚至幾個傳感器信息不可靠時，經過數據融合處理后會使基于 WPNN 與數據融合的損傷識別方法在利用這些信息時具有良好的容錯性�？傊�，利用神經網絡進行特征級數據融合對結構損傷進行診斷與識別，具有很大的潛力，值得進一步在理論與實際應用上開展深入研究，這種方法也必定將成為結構損傷診斷研究領域的新方法。

　　參考文獻

　　[1] 李國強，李杰.工程結構動力檢測理論與應用[M].北京：科學出版社, 2-4

　　[2] Tsou P., Shen M. H. Structural damage detection and identification using neural networks [J]. AIAA Journal, 1994,32: 176-183

　　[3] 楊英杰，虞和濟.結構損傷狀態識別的神經網絡方法[J].東北大學學報，1994，15 (2)：210-214.

　　[4] 周先雁，劉希，沈蒲生.用含裂紋的梁單元識別混凝土框架結構損傷[J].振動工程學報，1999，12(1):115-119

　　[5] 于德介，李佳升.一種基于實測模態參數的結構破損診斷方法[J].湖南大學學報，1995，22 (4): 121-128