BP神经网络在桥梁结构损伤诊断中的应用

BP神经网络在桥梁结构损伤诊断中的应用引言由于交通运输事业的发展，我国已修建了大量的桥梁，但值得注意的是有许多已发生老化、损伤现象。随着时间的推移，桥梁老化、损伤的数量和程度还会继续增加。对既有桥梁结构进行损伤检测和评估，充分了解桥梁的实际状况，及时诊断出局部损伤的位置以及损伤程度，就能使维修人员制定出正确的维修策略，及时修复桥梁结构。结构经过修复后，不仅可以恢复承载能力，延长使用寿命，而且对于避免灾难性事故的发生，保障人们的生命安全也有重要的意义。1、基于动力特性参数的桥梁结构损伤诊断长期以来，基于动力特性的结构故障诊断方法一直是国际学术界和工程界关注的热点问题，但至今仍缺乏有效的解决方案。这些研究工作大致可以分为：基于模态模型的解析法和基于神经网络技术的非线性映射法。从逻辑上讲，要进行桥梁结构损伤诊断，首先需要解决损伤识别指标的选择问题，即决定以哪些物理量为依据能够更好地识别和标定损伤的位置和程度。从损伤识别能力上，模态频率、模态振型、应变模态、柔度矩阵等都是很好的损伤标识量，从经济的角度出发，频率是工程上最简单、最经济、最实用的、最易获得的模态参数，精度又容易保证。另外，频率的整体辨识特性使测量点可以根据实际情况进行定制，这些都是基于频率损伤辨识的优势所在。而且在实际工程应用中，就有相当成功的应用，完全可胜任损伤的辨识。而对于振型数据，在工程实际中可以通过结构振动测试手段在结构无损伤状况下获得，并且精度较高，利用振型数据也可以进行损伤诊断。结构的动态特性是结构的固有特性。任何结构都可以看作是由质量、刚度、阻尼矩阵构成的动力学系统，结构一旦受到损伤或发生故障，结构的物理参数会随之发生变化，从而导致系统的传递函数和模态参数的改变。因此，模态参数的改变可以视为结构损伤发生的标志，利用损伤发生前后结构动态特性的变化来诊断结构损伤的类型、损伤位置以及损伤的程度。结构的任意阶频率变化均包含了结构损伤部分的损伤程度信息，因此，引用结构的低阶固有频率变化量作为判断结构损伤的特征量是可行的。2、基于人工神经网络的桥梁结构损伤诊断人工神经网络是在物理机制上模拟人脑信息处理机制的信息系统，其不但具有数值处理的一般计算能力，而且还具有处理知识的思维、学习、记忆能力。神经网络产生于20世纪40年代，至今已有半个多世纪的历程。目前应用于结构损伤诊断领域的神经网络主要为多层前馈性神经网络(BP神经网络)。BP神经网络是当前工程应用最广泛的一种人工神经网络。它的最大特点是仅仅借助样本数据，无须建立系统的数学模型，就可对系统实现由R。空间（n为输入节点数）到R。空间(m为输出节点数)的高度非线性映射。故在桥梁损伤诊断应用中，可以直接使用BP神经网络实现输入参数与桥梁损伤状态之间的非线性映射，而无须建立系统的数学模型。而且，这种映射结果的精度一般可由足够的训练样本（由仿真数据得到）来保证。BP网络是一单向传播的多层前向网络。BP算法的学习过程由正向传播和反向传播组成。网络除输入、输出节点外，有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次通过各隐层节点，然后传到输出层节点，每一层节点的输出只影响下一层节点的输出。每个节点为单个神经元，其单元特性（传递函数）通常为Sigmoid型函数，但在输出层中，节点的单元特性有时为线性函数。如果输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回通过修改各层神经元的权值使得误差信号最小。BP网络可看成是一从输入到输出的高度非线性映射。道路、桥梁是国家重要的生命线工程，运用神经网络对它们展开健康检测与诊断意义重大。3、动力特性参数和神经网络相结合的桥梁结构损伤诊断对于神经网络来说，输入特征参数的选择对其学习时间和网络泛化能力影响巨大。神经网络刚开始用于结构损伤识别与检测时，用振动信号作为网络的输入，使得网络结构过于复杂且训练时间过长。Tsou和Shen于1994年运用固有频率的变化和动力残余矢量的变化作为BP网络的输入来进行损伤检测，分别用3个自由度的弹簧质子系统和8个自由度的弹簧质子系统来验证所提方法的有效性。同年，Stephens和Vanluchene描述了一种结构安全状态的评估方法，该方法使用多个定量指标和BP网络对经过地震破坏后的多层建筑进行了损伤识别与评估。该方法使用3个经验性的定量指标即最大位移、建筑物的累积能量耗散、刚度退化作为网络的输入，输出为一个O～1之间的数。用60个样本数据来训练神经网络，32个样本数据来检验神经网络，并与线性回归法进行了比较，发现运用神经网络法的正确识别率比线性回归法提高了25%。考虑到开裂程度、强度降低程度和使用时间等因素对建筑物性能的影响，王恒栋将开裂程度、强度降低程度和使用时间作为神经网络的输入，对旧有结构的性能进行了损伤评估。同年Ma。，i等人用神经网络来检验振动过程中结构参数的变化，他们用相对位移和相对速度作为网络输入，恢复力作为网络输出，分别用线性系统和非线性系统两个算例验证了方法的有效性；他们还于2000年提出了基于神经网络的非线性系统识别方法。Kaminsk提出了固有频率的变化作为神经网络的输入来近似识别损伤的位置，他研究了数据未处理（固有频率）、数据处理后（损伤前后频率变化比、标准化的损伤前后频率变化比）对损伤定位的影响，同时还讨论了不同隐含层单元数对网络性能的影响。1999年Ni等人研究了输人参数对用BP网络进行损伤检测效果的影响，提出了既考虑频率变化又考虑模态组分的组合模态损伤指标，并将其作为网络的输入进行了损伤定位和损伤程度的预报。同年，王柏生研究了模型误差对有不同网络输入的BP网络损伤识别的影响，研究发现，用神经网络进行损伤识别时，模型误差的影响很小，在训练神经网络时用10%的模型误差是可以接受的。4、展望桥梁损伤诊断是一门结合系统识别、振动理论、振动测试技术、信号采集与分析、结构智能控制等技术的学科。而目前的桥梁监测系统中不含结构模型，因而无自动损伤识别的能力。但是根据神经网络在处理复杂非线性问题时的特点，结合桥梁模型的有限元分析，将其用于桥梁结构健康监测系统的不同部分，可以对服役桥梁进行实时监测。相信基于动力特性参数和人工神经网络的桥梁结构损伤诊断会有很好的发展前景，而且也将为特大桥梁的实时监测提供可能。