一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法
【專利摘要】本發(fā)明公開了一種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法，包括：S1，構(gòu)造樣本數(shù)據(jù)；S2，確定網(wǎng)絡(luò)拓撲結(jié)構(gòu)；S3，訓(xùn)練及測試；S4，損傷識別：將橋梁的實時應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)橋梁的損傷識別；其中，所述的橋梁的實時應(yīng)變數(shù)據(jù)是通過最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識別模型的個數(shù)Ymin為目標函數(shù)，Ymin所對應(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，同時可以使得識別結(jié)果具有較高的精度并趨于穩(wěn)定。
【專利說明】—種優(yōu)化的基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法

【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)的橋梁損傷識別方法，屬于橋梁損傷識別【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002]橋梁作為交通運輸?shù)年P(guān)鍵點，在我們的日常生活中承擔著極其重要的角色。正是因為一座座橋梁的存在，使得全國的公路以及鐵路運輸網(wǎng)得以貫通，構(gòu)成了四通八達交通運輸系統(tǒng)，橋梁對于城市交通的重要性也與日俱增。近幾年隨著我國經(jīng)濟的飛速發(fā)展，我們國家在橋梁建設(shè)方面取得了巨大的成就，同時，橋梁工程又是關(guān)系到人民生命財產(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，橋梁自身的內(nèi)部機構(gòu)、材料都會慢慢的發(fā)生變化，致使橋梁的承載能力降低。當這些損傷積累到一定程度時，橋梁就可能發(fā)生事故，橋梁一旦發(fā)生重大事故，將會造成難以預(yù)估的損失。因此對橋梁進行健康監(jiān)測就顯得非常重要。
[0003]橋梁健康監(jiān)測的主要工作是借助安裝在橋梁上的監(jiān)測儀器，分析橋梁的特征參數(shù)的變化，并以此來分析橋梁的健康狀況。這些特征參數(shù)包括振動、變形、應(yīng)變、溫度等，可以選取其中的一個或者幾個參數(shù)來進行監(jiān)測分析。在橋梁結(jié)構(gòu)的狀態(tài)監(jiān)測基礎(chǔ)上再做進一步的深入研究一損傷識別。損傷識別依據(jù)狀態(tài)監(jiān)測中所得到的數(shù)據(jù)進行分析，識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)，最終實現(xiàn)損傷的預(yù)防和控制。
[0004]《計算機與數(shù)字工程》2010(4):173-175中的《基于模式識別的橋梁故障檢測》從撓度數(shù)據(jù)出發(fā)，運用模式識別技術(shù)和數(shù)據(jù)分析技術(shù)，檢測橋梁中某些類型的損傷和隱患，將模式識別中的近鄰算法與K-均值算法相結(jié)合，提出了一種橋梁異常檢測方法?！稘洗髮W》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)量優(yōu)化算法，利用力的平衡和距離函數(shù)尋找節(jié)點位置，用Delaunay算法重置拓撲結(jié)構(gòu)，實現(xiàn)了橋梁模型的網(wǎng)格劃分；此外其還公開了將損傷指標法和計算智能法相結(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)對橋梁進行裂紋損傷識別?！痘谀B(tài)參數(shù)分析的井架結(jié)構(gòu)損傷識別研究》秦皇島:大慶石油學院，2006，公開了一種基于模態(tài)參數(shù)，用曲率模態(tài)法、柔度差值法進行結(jié)構(gòu)損傷識別的理論與方法，其應(yīng)用了柔度曲率法進行結(jié)構(gòu)損傷識別，證實了基于柔度差值的損傷定位方法存在模糊或者錯誤定位的問題，曲率模態(tài)法可以不依賴損傷前的結(jié)構(gòu)參數(shù)，但對于小損傷也存在模糊定位的隱患?！督ㄖY(jié)構(gòu)振動的遞階分散控制研究》哈爾濱:哈爾濱工業(yè)大學，2009，公開了一種建筑結(jié)構(gòu)在遞階分散控制下的損傷識別方法，并給出了基于遞階分散控制的頻率平方靈敏度損傷識別方法?！痘谟嬎阒悄芗夹g(shù)的橋梁結(jié)構(gòu)損傷識別研究》.長春:吉林大學，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)識別方法?！痘谟嬎阒悄芊椒ǖ暮喼蛄簱p傷識別研究》.長春:吉林大學，2010，其對簡支橋梁進行了分析，采用粒子群優(yōu)化支持向量機算法，研究了基于振動的橋梁損傷識別。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,其公開了對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)算法來進行橋梁的結(jié)構(gòu)損傷識另O。但是上述現(xiàn)有的方案用于橋梁損傷識別時，均存在以下缺陷:穩(wěn)定性差、精度低，且以實際橋梁的監(jiān)測信息作為網(wǎng)絡(luò)輸入時未經(jīng)優(yōu)化的算法網(wǎng)絡(luò)并不能有效反映橋梁的實際損傷情況，因此仍然需要進行進一步研究。另外，傳感器的布設(shè)是橋梁結(jié)構(gòu)健康監(jiān)測過程中的一個重要問題，以往的監(jiān)測中，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，然而這種做法會帶來以下不良后果:一、增加了監(jiān)測系統(tǒng)的成本；二、過多的傳感器本身也會對橋梁的結(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橋梁的性能進行評估同時對特定荷載工況下的響應(yīng)值進行預(yù)測并及時進行損傷預(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現(xiàn)上述目的?，F(xiàn)有的模型修正技術(shù)具有以下局限性:動力信息數(shù)據(jù)容易受噪聲影響，經(jīng)過動力信息修正的模型無法進行結(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)的橋梁損傷識別方法，它可以有效解決現(xiàn)有技術(shù)中存在的問題，尤其是損傷識別精度較低的問題。
[0006]為解決上述技術(shù)問題，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體有限元模型，對該實體有限元模型進行修正，并利用修正后的實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)拓撲結(jié)構(gòu):確定BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)及各個層所含神經(jīng)元的個數(shù)；同時初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值；
[0009]S3，訓(xùn)練及測試:采用梯度下降動量算法對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并利用測試樣本對神經(jīng)網(wǎng)絡(luò)進行測試；
[0010]S4，損傷識別:將橋梁的實時應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)橋梁的損傷識別；其中，所述的橋梁的實時應(yīng)變數(shù)據(jù)是通過最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識別模型的個數(shù)Ymin為目標函數(shù)，Yfflin所對應(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的影響，由于引入了一個動向量(相當于一個阻尼項)，有效的避免了局部最小問題在網(wǎng)絡(luò)訓(xùn)練中的出現(xiàn)，因而與trainbfg(準牛頓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量traingdm算法可以大大提高神經(jīng)網(wǎng)絡(luò)損傷識別的精度。
[0012]所述的BP神經(jīng)網(wǎng)絡(luò)的輸入層所含的神經(jīng)元個數(shù)即實際采集數(shù)據(jù)的應(yīng)變傳感器的個數(shù)；輸出層所含的神經(jīng)元個數(shù)即損傷位置的個數(shù)；隱含層的層數(shù)可采用經(jīng)驗算法來確定；隱含層神經(jīng)元的個數(shù)根據(jù)測試精度和網(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)的運算速度以及訓(xùn)練的精度，采用包含五個神經(jīng)元節(jié)點的一層隱含層訓(xùn)練的神經(jīng)元網(wǎng)絡(luò)進行損傷識別。
[0014]本發(fā)明中可通用有限元計算軟件ANSYS建立全橋的實體有限元模型。
[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軟件對模型進行分析,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體有限元模型，對該實體有限元模型進行修正，并利用修正后的實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)拓撲結(jié)構(gòu):確定BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)及各個層所含神經(jīng)元的個數(shù)；同時初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值； S3，訓(xùn)練及測試:采用梯度下降動量算法對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并利用測試樣本對神經(jīng)網(wǎng)絡(luò)進行測試； S4，損傷識別:將橋梁的實時應(yīng)變數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)橋梁的損傷識別；其中，所述的橋梁的實時應(yīng)變數(shù)據(jù)是通過最優(yōu)布設(shè)的傳感器獲得的，且以最少的不可識別模型的個數(shù)Ymin為目標函數(shù)，Yfflin所對應(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軟件對模型進行分析，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)的橋梁損傷識別方法，其特征在于，步驟SI中所述的對該實體有限元模型進行修正包括:采用均勻設(shè)計法對該實體有限元模型進行一次修正，具體包括以下步驟: XI，選取目標函數(shù)Q(X)和待修正的m個參數(shù)變量X ; X2，將每個參數(shù)變量的取值劃分為η個水平； Χ3，根據(jù)均勻設(shè)計表及其使用表選取參數(shù)水平組合進行試驗； Χ4，將每次試驗得到的靜力數(shù)據(jù)與實測靜力數(shù)據(jù)帶入目標函數(shù)和誤差指標函數(shù)中即得每次試驗的結(jié)果； Χ5，比較各個試驗結(jié)果，得目標函數(shù)與誤差指標函數(shù)最小時的參數(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)的橋梁損傷識別方法，其特征在于，所述的對該實體有限元模型進行修正還包括:利用均勻設(shè)計法選取試驗點生成響應(yīng)面，采用響應(yīng)面法對該實體有限元模型進行二次修正，具體包括以下步驟: a,通過均勻設(shè)計表獲得橋梁隨機參數(shù)變量X的ns個樣本點，通過均勻設(shè)計試驗即得響應(yīng)面目標函數(shù)的樣本點數(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和目標函數(shù)的樣本點數(shù)值Y回歸分析得待定因子的最小二乘估計值，進而獲得響應(yīng)面函數(shù)； c,對響應(yīng)面函數(shù)進行優(yōu)化，得響應(yīng)面目標函數(shù)與誤差指標函數(shù)最小時的參數(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BP神經(jīng)網(wǎng)絡(luò)確定權(quán)值閾值長度； 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行迭代搜索，直到超過設(shè)定的迭代次數(shù)時停止；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)的橋梁損傷識別方法，其特征在于，步驟a中所述的權(quán)值閾值長度為[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)傳感器的測量精度，將傳感器潛在位置i處的應(yīng)力預(yù)測值Pi劃分為若干區(qū)間，相應(yīng)的應(yīng)力預(yù)測值處于同一區(qū)間的損傷模型即為不可識別損傷模型；將包含兩個或兩個以上的模型的區(qū)間設(shè)為集合bik，其中，k為不可識別損傷數(shù)，O彡k< j ;集合bik中的元素為各種不可識別的損傷狀態(tài)且多個bik組成集合Bi, Bi = Ibil U bi2...U bik}； Cl，若各傳感器的潛在位置個數(shù)為m，傳感器的個數(shù)為s，計算Y= (B1 Π B2...H BJ ；子集中元素數(shù)量最少的數(shù)目即為最少的不可識別模型的個數(shù)Ymin，Yfflin所對應(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】G06N3/02GK104200004SQ201410363614
【公開日】2014年12月10日 申請日期: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 申請人:東北大學