1、结构损伤识别方法探析摘要:结构在复杂的环境中会受到损伤，结构损伤会给人们带来灾难。所以近年来损伤分析越来越受到重视。本文介绍了几种常用的结构损伤识别方法，对各方法进行了评述，最后对结构损伤识别的几个问题进行了展望。 关键字：损伤识别；测试频率；神经网络；广义柔度矩阵；小波分析中图分类号：F121.3 文献标识码：A 近年来，损伤分析在抗震评估、加固以及承载能力设计中的应用越来越引人 注目。损伤是指结构的预定功能受到影响的状态。按其影响的不同，可分为轻微损伤、损伤、严重损伤。损伤，从广义地讲，包括非受力损伤及受力损伤 1。在国际材料与结构实验学会班 LEM 关于混凝上结构破损分类的推荐草案中，损
2、伤是指结构由于外部力学因素引起的削弱或破损。下面介绍几种常用的结构损伤识别方法。 一.基于测试频率结构损伤识别方法2 结构的固有频率是表示结构固有特性的整体量，当结构的局部出现损伤时，结构的固有频率将发生变化，随着刚度的降低，结构的固有频率将会增大。正是由于这一特性加上结构固有频率易于测量和测量误差小，很多研究者将结构的固有频率作为结构损伤识别的损伤标示量。 对于一个多自由度结构系统，忽略阻尼的影响，其振动特征值方程为 (1-1) 式中： M 为整体质量矩阵；K 为整体刚度矩阵；为特征值；为正则化振型。 当结构的刚度和质量等物理参数发生小的变化K、M 时，由摄动理论式(1-1)可知 (K+K)
3、-(-)M(+)=O(1-2) 多数情况下结构的损伤是由于裂缝和腐蚀所引起的，一般对质量矩阵的影响甚微，即M0，将式(2)展开，并忽略二次项M 和M 的影响，有 (1-3) 对于第 i 阶振型，式（1-3）有 （1-4） 以kn 表示第 n 个单元的刚度变化，则式(4)成为 （1-5） 式(1-5)在形式上类似与瑞雷商，表示结构应变能和结构特征值的关系。当只有第 n 个单元出现损伤时为 （1-6） 特征值的变化可以定义为损伤位置 n 和损伤程度的函数，即 （1-7） 则kn=kn，式(1-6)可进一步化为 （1-8） 从上式可以看出，特征值的变化是损伤的位置和损伤程度的函数。取两阶振型对应特征
4、值的变化量和，则此两阶模态对应的频率变化比为 （1-9） 式(1-9)表明，任意两阶模态对应的频率变化比是结构损伤位置和损伤程度的函数，不同位置单元的损伤对应一组特定的频变比，根据结构损伤前后各阶模态对应的频变比，可以识别出结构的损伤位置，并可以对损伤程度进行评估。 二基于人工神经网络的结构损伤识别方法 神经网络用于损伤识别的基本原理是：根据结构在不同状态的反应，通过特征提取，选择对结构损伤敏感的参数作为网络的输入向量，结构的损伤状态作为输出，建立损伤分类训练样本集将样本集送人神经网络进行训练，建立输入参数与损伤状态之间的映射关系，训练后的网络具有模式分类功能3。将待测结构进行测试的动力参数输
5、人网络，得出损伤状态信息。神经网络法利用其特有的学习能力，可以将反问题的映射关系以网络权值的方式保存下来，即将这种关系分布式地存储于网络权值中，而使用者无需关心网络内部具体是如何操作的4. 2.1 基本思想 将 BP 网络理论学习算法转化为实际的学习过程，其原理如下：令I=a1 ，an为输入层故障诊断向量，O=ci ，cj)为输出层故障诊断向量，H=bI，bP为隐含层神经元数,V=VnP 与 W=Wp q，为各层之间连接权值，K=(1，2，m)为给定的样本数。先给 LI 层单元与 LH 层单元之间、LH 层单元与 LO 层单元之间的连接权以及 LH 层单元阀值iLO 层单元阀值赋区间的随机值份
6、（） 。 2.2 学习算法 (1)将输入模式 Ak 送到 LI 层，LI 层单元的激活值 ak 通过连接权矩阵 V 送到 LH 层，产生 LH 层新的净输入 netbi，进而产生 LH 层单元的输出值 bi， (2-1) （2-2） 式中 i=1，2， ，p；f 为 S 型函数 （2）计算 LO 层单元的输出值 (2-3) 式中 j=l，2， q (3)计算输出 LO 层单元的一般化误差： (2-4)式中 j=1，2 ，q；k=l，2 ，m(m 为总的样本数)；Tkj 为LO 层单元 j 的希望输 (4)计算输出 LH 层单元的一般化误差： （2-5） 式中 i=l，2， p；上式相当于将 L
7、O 层单元的误差反向传播到 LH层。 (5)调整 LO 层单元到 LH 层单元的连接权和阈值： （2-6） 式中 i=1，2 ，p；j=l，2， ，q；为学习率(O1) (6)调整 LH 层单元到 LI 层单元的连接权和阈值： (2-7) 式中 h=l，2， ，n；i=I，2， ，q。 重复上述步骤，直至总体误差平方和达到期望值为止。 三基于小波分析的结构损伤识别方法 结构损伤识别中可以直接利用小波分析方法，也可以将小波分析与其他方法联合使用。结构发生损伤后，某些线性连接点变为非线性，造成其固有频率和刚度的改变进而使得结构的动力响应发生变化。线性和非线性系统动力特性的主要差别之一是非线性系统具
8、有高次谐波和亚谐波。利用小波变换分析结构损伤前后的时域和频域响应，可以确定诸如高次谐波、亚谐波以及混沌现象等系统响应的动力学特性。进而检测结构的非线性。通过小波分析局部扩大和局部压缩的特性，可以对微弱信号进行检测，这在结构损伤初期的检测中是非常重要的。 3.1.直接利用小波分析检测损伤 利用小波分析进行损伤检测较多的集中在复合材料损伤研究上。一般采用在复合材料结构模型上粘贴压电材料，分别作为作动器(产生激励)和传感器(感受振动信号)。利用有限元数值仿真，假定在仿真过程中某些单元发生损伤，将被测点动力响应，如位移、速度或加速度进行小波分解。通过小波分解后各阶信号波形上的突变点能够准确的判断损伤的
9、发生。由于小波分解后的信号比原始信号的分辨率高得多利用小波分解信号的奇变性，可以识别原始信号中无法直接识别的突变。 Segawa5等采用 Mexican hat 小波对系统输入加速度和加速度响应进行分析来识别结构由损伤引起的参数(如刚度、阻尼)变化，研究模型为 1 一 DOF 和 4 一 DOF 两个系统，取得了精确的识别结果。通过简单结构的试验进行验证，发现结构阻尼比高时识别精度较好。 利用时程分析程序计算结构动力响应。并在仿真过程中允许结构中某些构件发生损伤，如支撑刚度突然全部消失或部分消失。这些损伤造成了加速度的不连续而这种不连续在加速度曲线中是难以观察的。将得到的加速度响应信号进行离散
10、小波变换。通过分解后高频波形上的突起来判断损伤是否发生和发生的时刻。分析过程将对多个结点加速度进行小波分解。并通过分解后带有突起的结点在整个结构中所处的空间位置来判断损伤的位置。 3.2 小波分析与其他方法的联合应用 孙增寿、韩建6刚等是利用双正交小波函数对损伤前后结构的曲率模态进行小波变换用损伤前后小波变换系数残差建立结构损伤指标，通过小波变换系数残差的分布统计情况判定损伤的存在并确定其位置。Victor Giurgiutiu7等提出了一种曲率模态和小波分析联合使用的损伤定位方法。此方法是先利用损伤后构件各阶振型的残余量，求出曲率模态，再通过小波分析得到曲率模态的小波分解灰度图，进而推断出损
11、伤位置。这种联合方法提高了损伤识别的灵敏性和精确度，并在一维梁构件上得到了验证。李宏男、孙宏敏提出了基于“能量一损伤”原理。综合运用小波包分析和神经网络的框架结构损伤诊断方法。把分布在不同频带上的结点能量作为神经网络的训练样本能够较好地反映结构的损伤特征。他们以结构健康监测 Benchmark 模型为例做了验证。取得了令人满意的效果。鞠彦忠、阎贵平等8把小波和神经网络 ART2 相结合，把小波变换作为神经网络的前处理来构造小波神经网络。通过数值计算验证了小波消噪和小波神经网络损伤检测的能力。然后在框架模型上进行了试验。试验证明这种方法使神经网络抗噪能力增强。损伤识别效果更好。同时，ART2 网
12、络具有自动从环境中学习的能力。能自动识别新的损伤。 四结语 土木工程结构的损伤检测技术是一门新兴的科学技术，目前正处于蓬勃发展之中。理想的损伤识别技术应能在结构损伤出现的较早时期发现损伤，在传感器精度允许的情况下确定损伤的位置，估计损伤的程度，并预测出结构的剩余有效寿命。理想的损伤识别方法应该具备的另一重要性能是，能够区分结构建模误差引起的偏差与结构损伤引起的偏差间的区别。虽然这种技术已被广泛应用于航空、航天、精密机械等领域之中，但是在土木工程领域的研究还处于起步阶段，绝大多数研究还仅仅局限于试验阶段。从目前土木工程损伤检测的研究动态来看，以下几个方面问题的研究在该技术的未来发展方向上有比较重
13、要的意义和迫切性：(1)发展更可靠的损伤判别指标，该指标不会误判及漏判；(2)研究试验参数变化、环境参数变化对结构损伤识别的影响；(3)不依赖外部激励源的损伤检测研究15。 参考文献 1. 姜东喆.土木工程结构损伤识别方法研究J.综合管理，2009(8)：323 2. 高鹏.基于测试频率的结构损伤定位与评估方法J.黑龙江交通科技，2009（8）：133-135 3. 李明，郝健，周桃玉.土木工程结构健康监测研究进展J.交通科技，2008(6):26-29 4. 黄鹏.基于 BP 神经网络的结构损伤识别分析J.山西建筑，2009 7(21)：70-71 5.Segawa lk， et a1Sys
14、tem identification of MDOF structures by wavelet transformAJProceedings of the US一 Japan joint Workshop and Third Grantees MeetingC，Monbu Kagaku sho and NSF，1516 August，2001 6. 李宏男，孙宏敏基于小波分析和神经网络的框架结构损伤诊断 方法J地震工程与工程振动。2003，23(5)：141148 7. ictor Giurgiutiu. Structural health monitoring using active sensors and wavelet transforms. Smart Structures and Materials,1999(5):368-364 8. 鞠彦忠，阎贵平，陈建斌，等用小波神经网络检测结构损伤J工 程力学。2003，20(6)：176181
