一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，包括：S1，構(gòu)造樣本數(shù)據(jù)；S2，確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；S3，訓(xùn)練及測(cè)試；S4，損傷識(shí)別：將橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)橋梁的損傷識(shí)別；其中，所述的橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)是通過(guò)最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識(shí)別模型的個(gè)數(shù)Ymin為目標(biāo)函數(shù)，Ymin所對(duì)應(yīng)的傳感器的布設(shè)位置即為最優(yōu)的傳感器布設(shè)。本發(fā)明可以實(shí)現(xiàn)利用最少的傳感器且能最大程度的區(qū)分結(jié)構(gòu)的各種可能的損傷情況，同時(shí)可以使得識(shí)別結(jié)果具有較高的精度并趨于穩(wěn)定。
【專(zhuān)利說(shuō)明】—種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，屬于橋梁損傷識(shí)別【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002]橋梁作為交通運(yùn)輸?shù)年P(guān)鍵點(diǎn)，在我們的日常生活中承擔(dān)著極其重要的角色。正是因?yàn)橐蛔鶚蛄旱拇嬖冢沟萌珖?guó)的公路以及鐵路運(yùn)輸網(wǎng)得以貫通，構(gòu)成了四通八達(dá)交通運(yùn)輸系統(tǒng)，橋梁對(duì)于城市交通的重要性也與日俱增。近幾年隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展，我們國(guó)家在橋梁建設(shè)方面取得了巨大的成就，同時(shí)，橋梁工程又是關(guān)系到人民生命財(cái)產(chǎn)安全的工程，因此橋梁的健康情況需高度重視。但是，隨著橋梁服役期的增長(zhǎng)，橋梁自身的內(nèi)部機(jī)構(gòu)、材料都會(huì)慢慢的發(fā)生變化，致使橋梁的承載能力降低。當(dāng)這些損傷積累到一定程度時(shí)，橋梁就可能發(fā)生事故，橋梁一旦發(fā)生重大事故，將會(huì)造成難以預(yù)估的損失。因此對(duì)橋梁進(jìn)行健康監(jiān)測(cè)就顯得非常重要。
[0003]橋梁健康監(jiān)測(cè)的主要工作是借助安裝在橋梁上的監(jiān)測(cè)儀器，分析橋梁的特征參數(shù)的變化，并以此來(lái)分析橋梁的健康狀況。這些特征參數(shù)包括振動(dòng)、變形、應(yīng)變、溫度等，可以選取其中的一個(gè)或者幾個(gè)參數(shù)來(lái)進(jìn)行監(jiān)測(cè)分析。在橋梁結(jié)構(gòu)的狀態(tài)監(jiān)測(cè)基礎(chǔ)上再做進(jìn)一步的深入研究一損傷識(shí)別。損傷識(shí)別依據(jù)狀態(tài)監(jiān)測(cè)中所得到的數(shù)據(jù)進(jìn)行分析，識(shí)別出橋梁損傷的部位和損傷程度，為后續(xù)的管理決策提供依據(jù)，最終實(shí)現(xiàn)損傷的預(yù)防和控制。
[0004]《計(jì)算機(jī)與數(shù)字工程》2010(4):173-175中的《基于模式識(shí)別的橋梁故障檢測(cè)》從撓度數(shù)據(jù)出發(fā)，運(yùn)用模式識(shí)別技術(shù)和數(shù)據(jù)分析技術(shù)，檢測(cè)橋梁中某些類(lèi)型的損傷和隱患，將模式識(shí)別中的近鄰算法與K-均值算法相結(jié)合，提出了一種橋梁異常檢測(cè)方法。《濟(jì)南大學(xué)》2010中的《三維網(wǎng)絡(luò)自適應(yīng)生成及其在橋梁裂紋診斷中的應(yīng)用》，公開(kāi)了一種在橋梁模型上應(yīng)用的基于力平衡的網(wǎng)格質(zhì)量?jī)?yōu)化算法，利用力的平衡和距離函數(shù)尋找節(jié)點(diǎn)位置，用Delaunay算法重置拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)了橋梁模型的網(wǎng)格劃分；此外其還公開(kāi)了將損傷指標(biāo)法和計(jì)算智能法相結(jié)合，基于固有頻率和曲率模態(tài)比值，用BP神經(jīng)網(wǎng)絡(luò)對(duì)橋梁進(jìn)行裂紋損傷識(shí)別。《基于模態(tài)參數(shù)分析的井架結(jié)構(gòu)損傷識(shí)別研究》秦皇島:大慶石油學(xué)院，2006，公開(kāi)了一種基于模態(tài)參數(shù)，用曲率模態(tài)法、柔度差值法進(jìn)行結(jié)構(gòu)損傷識(shí)別的理論與方法，其應(yīng)用了柔度曲率法進(jìn)行結(jié)構(gòu)損傷識(shí)別，證實(shí)了基于柔度差值的損傷定位方法存在模糊或者錯(cuò)誤定位的問(wèn)題，曲率模態(tài)法可以不依賴(lài)損傷前的結(jié)構(gòu)參數(shù)，但對(duì)于小損傷也存在模糊定位的隱患。《建筑結(jié)構(gòu)振動(dòng)的遞階分散控制研究》哈爾濱:哈爾濱工業(yè)大學(xué)，2009，公開(kāi)了一種建筑結(jié)構(gòu)在遞階分散控制下的損傷識(shí)別方法，并給出了基于遞階分散控制的頻率平方靈敏度損傷識(shí)別方法。《基于計(jì)算智能技術(shù)的橋梁結(jié)構(gòu)損傷識(shí)別研究》.長(zhǎng)春:吉林大學(xué)，2008，提出了一種基于粒子群算法和小波神經(jīng)網(wǎng)絡(luò)算法的橋梁結(jié)構(gòu)識(shí)別方法。《基于計(jì)算智能方法的簡(jiǎn)支橋梁損傷識(shí)別研究》.長(zhǎng)春:吉林大學(xué)，2010，其對(duì)簡(jiǎn)支橋梁進(jìn)行了分析，采用粒子群優(yōu)化支持向量機(jī)算法，研究了基于振動(dòng)的橋梁損傷識(shí)別。Hakim, S.J.S.Abdul Razak, H.Structural damage detect1n of steel bridge girder using artificial neuralnetworks and finite element models [J].Steel and Composite Structures, 2013,其公開(kāi)了對(duì)于自然頻率和振型的參數(shù)變化，采用人工神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行橋梁的結(jié)構(gòu)損傷識(shí)另O。但是上述現(xiàn)有的方案用于橋梁損傷識(shí)別時(shí)，均存在以下缺陷:穩(wěn)定性差、精度低，且以實(shí)際橋梁的監(jiān)測(cè)信息作為網(wǎng)絡(luò)輸入時(shí)未經(jīng)優(yōu)化的算法網(wǎng)絡(luò)并不能有效反映橋梁的實(shí)際損傷情況，因此仍然需要進(jìn)行進(jìn)一步研究。另外，傳感器的布設(shè)是橋梁結(jié)構(gòu)健康監(jiān)測(cè)過(guò)程中的一個(gè)重要問(wèn)題，以往的監(jiān)測(cè)中，為了盡可能多的獲取橋梁不同位置的信息采取的方法一般是在橋梁內(nèi)部埋入較多的傳感器，然而這種做法會(huì)帶來(lái)以下不良后果:一、增加了監(jiān)測(cè)系統(tǒng)的成本；二、過(guò)多的傳感器本身也會(huì)對(duì)橋梁的結(jié)構(gòu)造成不利的影響。因此應(yīng)盡量做到使用較少的傳感器獲得盡可能多的結(jié)構(gòu)健康信息。此外，利用橋梁有限元模型對(duì)橋梁的性能進(jìn)行評(píng)估同時(shí)對(duì)特定荷載工況下的響應(yīng)值進(jìn)行預(yù)測(cè)并及時(shí)進(jìn)行損傷預(yù)警，就能夠確保橋梁的安全使用，以減少不必要的損失，而橋梁有限元模型精度的高低決定了其是否可以實(shí)現(xiàn)上述目的。現(xiàn)有的模型修正技術(shù)具有以下局限性:動(dòng)力信息數(shù)據(jù)容易受噪聲影響，經(jīng)過(guò)動(dòng)力信息修正的模型無(wú)法進(jìn)行結(jié)構(gòu)的靜力分析。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于，提供一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，它可以有效解決現(xiàn)有技術(shù)中存在的問(wèn)題，尤其是損傷識(shí)別精度較低的問(wèn)題。
[0006]為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下的技術(shù)方案:一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，包括以下步驟:
[0007]SI，構(gòu)造樣本數(shù)據(jù):利用有限元方法建立全橋的實(shí)體有限元模型，對(duì)該實(shí)體有限元模型進(jìn)行修正，并利用修正后的實(shí)體有限元模型模擬不同荷載情況下橋梁不同位置的受力情況，獲得橋梁完好及不同損傷情況下的模擬應(yīng)變數(shù)據(jù)，將相應(yīng)的應(yīng)變變化率作為BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)；
[0008]S2，確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):確定BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)及各個(gè)層所含神經(jīng)元的個(gè)數(shù)；同時(shí)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值；
[0009]S3，訓(xùn)練及測(cè)試:采用梯度下降動(dòng)量算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并利用測(cè)試樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試；
[0010]S4，損傷識(shí)別:將橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)橋梁的損傷識(shí)別；其中，所述的橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)是通過(guò)最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識(shí)別模型的個(gè)數(shù)Ymin為目標(biāo)函數(shù)，Yfflin所對(duì)應(yīng)的傳感器的布設(shè)位置即為最優(yōu)的傳感器布設(shè)。
[0011]BP神經(jīng)網(wǎng)絡(luò)有多種算法，選擇合適的算法對(duì)能否保證訓(xùn)練效果至關(guān)重要，本發(fā)明選取的為梯度下降動(dòng)量traingdm算法，因該算法不僅考慮了誤差在梯度上的作用，而且考慮了在誤差曲面上的變化趨勢(shì)的影響，由于引入了一個(gè)動(dòng)向量(相當(dāng)于一個(gè)阻尼項(xiàng))，有效的避免了局部最小問(wèn)題在網(wǎng)絡(luò)訓(xùn)練中的出現(xiàn)，因而與trainbfg(準(zhǔn)牛頓BP算法函數(shù))和traingd(梯度下降算法)相比,本發(fā)明選取的梯度下降動(dòng)量traingdm算法可以大大提高神經(jīng)網(wǎng)絡(luò)損傷識(shí)別的精度。
[0012]所述的BP神經(jīng)網(wǎng)絡(luò)的輸入層所含的神經(jīng)元個(gè)數(shù)即實(shí)際采集數(shù)據(jù)的應(yīng)變傳感器的個(gè)數(shù)；輸出層所含的神經(jīng)元個(gè)數(shù)即損傷位置的個(gè)數(shù)；隱含層的層數(shù)可采用經(jīng)驗(yàn)算法來(lái)確定；隱含層神經(jīng)元的個(gè)數(shù)根據(jù)測(cè)試精度和網(wǎng)絡(luò)的泛化能力綜合決定。
[0013]優(yōu)選的，本發(fā)明綜合考慮神經(jīng)元網(wǎng)絡(luò)的運(yùn)算速度以及訓(xùn)練的精度，采用包含五個(gè)神經(jīng)元節(jié)點(diǎn)的一層隱含層訓(xùn)練的神經(jīng)元網(wǎng)絡(luò)進(jìn)行損傷識(shí)別。
[0014]本發(fā)明中可通用有限元計(jì)算軟件ANSYS建立全橋的實(shí)體有限元模型。
[0015]本發(fā)明的步驟SI中，所述的獲得橋梁完好及不同損傷情況下的模擬應(yīng)變數(shù)據(jù)包括:使用ANSYS軟件對(duì)模型進(jìn)行分析,利用Block Lanczos方法提取未損傷狀況下的固有頻率和頻率的模態(tài)振型，根據(jù)模態(tài)振型中模態(tài)位移的大小及實(shí)際橋梁傳感器的安裝位置選取損傷位置；采用降低彈性模量的方法模擬不同位置不同程度的損傷；再使用APDL語(yǔ)言中*get命令即提取得到不同程度不同位置損傷情況下的應(yīng)變數(shù)據(jù)。
[0016]本發(fā)明的步驟SI中所述的應(yīng)變變化率為

【權(quán)利要求】
1.一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，包括以下步驟: SI，構(gòu)造樣本數(shù)據(jù):利用有限元方法建立全橋的實(shí)體有限元模型，對(duì)該實(shí)體有限元模型進(jìn)行修正，并利用修正后的實(shí)體有限元模型模擬不同荷載情況下橋梁不同位置的受力情況，獲得橋梁完好及不同損傷情況下的模擬應(yīng)變數(shù)據(jù)，將相應(yīng)的應(yīng)變變化率作為BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)； S2，確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):確定BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)及各個(gè)層所含神經(jīng)元的個(gè)數(shù)；同時(shí)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值； S3，訓(xùn)練及測(cè)試:采用梯度下降動(dòng)量算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并利用測(cè)試樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試； S4，損傷識(shí)別:將橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)橋梁的損傷識(shí)別；其中，所述的橋梁的實(shí)時(shí)應(yīng)變數(shù)據(jù)是通過(guò)最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識(shí)別模型的個(gè)數(shù)Ymin為目標(biāo)函數(shù)，Yfflin所對(duì)應(yīng)的傳感器的布設(shè)位置即為最優(yōu)的傳感器布設(shè)。
2.根據(jù)權(quán)利要求1所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，步驟SI中所述的獲得橋梁完好及不同損傷情況下的模擬應(yīng)變數(shù)據(jù)包括:使用ANSYS軟件對(duì)模型進(jìn)行分析，利用Block Lanczos方法提取未損傷狀況下的固有頻率和頻率的模態(tài)振型，根據(jù)模態(tài)振型中模態(tài)位移的大小及實(shí)際橋梁傳感器的安裝位置選取損傷位置；采用降低彈性模量的方法模擬不同位置不同程度的損傷；再使用APDL語(yǔ)言中*get命令即提取得到不同程度不同位置損傷情況下的應(yīng)變數(shù)據(jù)。
3.根據(jù)權(quán)利要求1或2所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，步驟SI中所述的對(duì)該實(shí)體有限元模型進(jìn)行修正包括:采用均勻設(shè)計(jì)法對(duì)該實(shí)體有限元模型進(jìn)行一次修正，具體包括以下步驟: XI，選取目標(biāo)函數(shù)Q(X)和待修正的m個(gè)參數(shù)變量X ; X2，將每個(gè)參數(shù)變量的取值劃分為η個(gè)水平； Χ3，根據(jù)均勻設(shè)計(jì)表及其使用表選取參數(shù)水平組合進(jìn)行試驗(yàn)； Χ4，將每次試驗(yàn)得到的靜力數(shù)據(jù)與實(shí)測(cè)靜力數(shù)據(jù)帶入目標(biāo)函數(shù)和誤差指標(biāo)函數(shù)中即得每次試驗(yàn)的結(jié)果； Χ5，比較各個(gè)試驗(yàn)結(jié)果，得目標(biāo)函數(shù)與誤差指標(biāo)函數(shù)最小時(shí)的參數(shù)水平，基于此參數(shù)水平的有限元模型即一次修正后的基準(zhǔn)有限元模型。
4.根據(jù)權(quán)利要求3所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，所述的對(duì)該實(shí)體有限元模型進(jìn)行修正還包括:利用均勻設(shè)計(jì)法選取試驗(yàn)點(diǎn)生成響應(yīng)面，采用響應(yīng)面法對(duì)該實(shí)體有限元模型進(jìn)行二次修正，具體包括以下步驟: a,通過(guò)均勻設(shè)計(jì)表獲得橋梁隨機(jī)參數(shù)變量X的ns個(gè)樣本點(diǎn)，通過(guò)均勻設(shè)計(jì)試驗(yàn)即得響應(yīng)面目標(biāo)函數(shù)的樣本點(diǎn)數(shù)值Y, Y =;所述的參數(shù)變量X= [E, P, μ],其中，E為混凝土彈性模量，P為混凝土密度，μ為泊松比； b，利用參數(shù)變量X和目標(biāo)函數(shù)的樣本點(diǎn)數(shù)值Y回歸分析得待定因子的最小二乘估計(jì)值，進(jìn)而獲得響應(yīng)面函數(shù)； c,對(duì)響應(yīng)面函數(shù)進(jìn)行優(yōu)化，得響應(yīng)面目標(biāo)函數(shù)與誤差指標(biāo)函數(shù)最小時(shí)的參數(shù)變量取值，基于此參數(shù)變量的結(jié)構(gòu)有限元模型即為橋梁二次修正后的有限元模型。
5.根據(jù)權(quán)利要求1?4任一所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，步驟S2中，采用云粒子群算法初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值。
6.根據(jù)權(quán)利要求5所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，所述的采用云粒子群算法初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值具體包括: a.通過(guò)BP神經(jīng)網(wǎng)絡(luò)確定權(quán)值閾值長(zhǎng)度； b.根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和樣本數(shù)據(jù)規(guī)模確定粒子群的規(guī)模，并按照云粒子群算法的步驟進(jìn)行迭代搜索，直到超過(guò)設(shè)定的迭代次數(shù)時(shí)停止；搜索到的具有最優(yōu)適應(yīng)度的粒子即初始權(quán)值。
7.根據(jù)權(quán)利要求6所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，步驟a中所述的權(quán)值閾值長(zhǎng)度為[O，I]。
8.根權(quán)利要求1所述的優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法，其特征在于，步驟S4中所述的最優(yōu)的傳感器布設(shè)具體包括: Al，建立η種損傷情況下的有限元損傷模型，并提取各種損傷情況下各傳感器潛在位置i處的應(yīng)變預(yù)測(cè)值Pij,其中，i為傳感器的潛在位置，j為損傷情況，I ^ j ^ η ； BI，根據(jù)傳感器的測(cè)量精度，將傳感器潛在位置i處的應(yīng)力預(yù)測(cè)值Pi劃分為若干區(qū)間，相應(yīng)的應(yīng)力預(yù)測(cè)值處于同一區(qū)間的損傷模型即為不可識(shí)別損傷模型；將包含兩個(gè)或兩個(gè)以上的模型的區(qū)間設(shè)為集合bik，其中，k為不可識(shí)別損傷數(shù)，O彡k< j ;集合bik中的元素為各種不可識(shí)別的損傷狀態(tài)且多個(gè)bik組成集合Bi, Bi = Ibil U bi2...U bik}； Cl，若各傳感器的潛在位置個(gè)數(shù)為m，傳感器的個(gè)數(shù)為s，計(jì)算Y= (B1 Π B2...H BJ ；子集中元素?cái)?shù)量最少的數(shù)目即為最少的不可識(shí)別模型的個(gè)數(shù)Ymin，Yfflin所對(duì)應(yīng)的傳感器的布設(shè)位置即為最優(yōu)的傳感器布設(shè)。
【文檔編號(hào)】G06N3/02GK104200004SQ201410363614
【公開(kāi)日】2014年12月10日 申請(qǐng)日期:2014年7月28日 優(yōu)先權(quán)日:2014年7月28日
【發(fā)明者】吳朝霞, 金偉, 王立夫, 趙玉倩, 邵元隆, 李俞成 申請(qǐng)人:東北大學(xué)