范進(jìn)勝++蘇英志

【摘 要】對(duì)概率神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)損傷識(shí)別的工作原理進(jìn)行了闡述，討論了利用概率神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)構(gòu)進(jìn)行損傷識(shí)別的進(jìn)展情況，分析了已有研究中的優(yōu)點(diǎn)和不足，對(duì)將來的研究方向提出了建議。

【關(guān)鍵詞】概率神經(jīng)網(wǎng)絡(luò)；損傷識(shí)別；進(jìn)展

0 引言

近年來，隨著城鎮(zhèn)化建設(shè)速度的飛速發(fā)展，大量高層建筑和大體型的公共建筑在城市里日益增多，這些建筑的安全性直接關(guān)系到巨大的社會(huì)影響性和經(jīng)濟(jì)利益。由于結(jié)構(gòu)原始的缺陷性和意外災(zāi)害，這些建筑的部分構(gòu)件往往會(huì)受到損傷，如果能及早發(fā)現(xiàn)建筑結(jié)構(gòu)的損傷，并采取加固措施，則可以降低經(jīng)濟(jì)損失和避免人員的傷亡。因此，結(jié)構(gòu)的損傷識(shí)別技術(shù)研究日益受到人們的重視。

神經(jīng)網(wǎng)絡(luò)由于具有較強(qiáng)的非線性映射能力和較強(qiáng)的魯棒性，所以非常適合于模式識(shí)別的工作。20世紀(jì)90年代以來，國(guó)內(nèi)外學(xué)者對(duì)基于神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識(shí)別的理論和技術(shù)進(jìn)行了大量的研究，并嘗試了BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)[1]等多種類型。本文對(duì)基于概率神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識(shí)別的研究進(jìn)展進(jìn)行討論，并對(duì)其將來研究方向提出建議。

1 概率神經(jīng)網(wǎng)絡(luò)工作原理

概率神經(jīng)網(wǎng)絡(luò)（PNN）是由Specht D F[2]在1990年提出來的一種人工神經(jīng)網(wǎng)絡(luò)類型。概率神經(jīng)網(wǎng)絡(luò)采用的是前向傳播算法，用指數(shù)函數(shù)來取代在神經(jīng)網(wǎng)絡(luò)中使用較多的S型函數(shù)，和其他反向算法中的試探法不同，它是基于統(tǒng)計(jì)原理的概率密度函數(shù)的估計(jì)法。概率神經(jīng)網(wǎng)絡(luò)是把具有Parzen窗口估計(jì)量的最小錯(cuò)誤率貝葉斯決策放入神經(jīng)網(wǎng)絡(luò)框架中，基于貝葉斯決策算法來判斷輸入向量的類別狀態(tài)。

Parzen窗口被用來估計(jì)核密度估計(jì)量的概率密度函數(shù)[1]，其表達(dá)式如式（1）所示 ：

f■（x）=■■exp[-■]（1）

式中： m是q類中的訓(xùn)練樣本數(shù)量，p是樣本向量的維數(shù)，σ為光滑系數(shù)，X是輸入的待檢驗(yàn)樣本向量，Xqi是q類中第i個(gè)訓(xùn)練樣本。

概率神經(jīng)網(wǎng)絡(luò)由輸入層、模式層、求和層和輸出層（競(jìng)爭(zhēng)層）組成。輸入層的神經(jīng)元個(gè)數(shù)是輸入向量的維數(shù)，待分類的向量是其神經(jīng)元；模式層的激活函數(shù)是高斯函數(shù)，神經(jīng)元個(gè)數(shù)是訓(xùn)練樣本的個(gè)數(shù)；求和層的神經(jīng)元個(gè)數(shù)是類別個(gè)數(shù)，該層的每一個(gè)神經(jīng)元接收與其相連的給定類的所有模式層的輸出，將其按不同類別相加；競(jìng)爭(zhēng)層輸出判決結(jié)果。

基于概率神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識(shí)別的基本思路是首先對(duì)結(jié)構(gòu)可能發(fā)生的損傷情況劃分為若干種損傷模式，然后將從振動(dòng)信號(hào)提取的損傷指標(biāo)作為網(wǎng)絡(luò)的輸入向量，最后用識(shí)別出的損傷模式來判斷結(jié)構(gòu)發(fā)生損傷的位置。

2 概率神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)損傷識(shí)別的研究進(jìn)展

由于小波能量特征可以較好刻劃含有噪聲的信號(hào)特征，所以對(duì)結(jié)構(gòu)響應(yīng)信號(hào)進(jìn)行小波變換，并用變換后的信號(hào)能量特征向量作為PNN的輸入向量，就構(gòu)成了松散的WPNN，使其能更有效的進(jìn)行結(jié)構(gòu)損傷識(shí)別。

楊曉楠[3]通過比較小波函數(shù)的正交性和雙正交性、正則性等特性，選擇Mexican cat小波函數(shù)對(duì)結(jié)構(gòu)加速度時(shí)程響應(yīng)進(jìn)行小波變換，然后將其作為概率神經(jīng)網(wǎng)絡(luò)的輸入向量，對(duì)美國(guó)ASCE提出的一個(gè)12自由度的四層鋼框架剪切模型進(jìn)行了損傷識(shí)別驗(yàn)證。姜紹飛[4]以小波變換作為動(dòng)力信號(hào)處理工具，采取小波基函數(shù)對(duì)加速度響應(yīng)進(jìn)行處理，提取小波能量作為損傷識(shí)別的特征參數(shù)，同時(shí)利用遺傳算法來優(yōu)化PNN網(wǎng)絡(luò)模型中的圓滑參數(shù)，提出了自適應(yīng)小波概率神經(jīng)網(wǎng)絡(luò)，用小波能量特征向量作為APNN輸入向量，并加入不同水平的噪聲使其更真實(shí)的模擬現(xiàn)實(shí)工況，通過對(duì)一個(gè)框架模型的數(shù)值模擬驗(yàn)證了該網(wǎng)絡(luò)的有效性。王勇[5]利用小波變換對(duì)結(jié)構(gòu)動(dòng)力不同頻段信號(hào)進(jìn)行處理，然后作為概率神經(jīng)網(wǎng)絡(luò)的輸入向量對(duì)一四層鋼框架進(jìn)行了損傷識(shí)別。文中討論了小波變換的尺度個(gè)數(shù)與尺度大小對(duì)損傷識(shí)別結(jié)果的影響。算例表明當(dāng)小波尺度的選擇范圍正好對(duì)應(yīng)結(jié)構(gòu)的頻率范圍時(shí)，可以明顯提高網(wǎng)絡(luò)的識(shí)別準(zhǔn)確性。

為了消除多傳感器所采集的信息具有的冗余性，有些學(xué)者提出了數(shù)據(jù)融合技術(shù)。翁光遠(yuǎn)[6]建立了基于小波概率神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合技術(shù)的模型，利用ANSYS有限元程序模擬鋼筋混凝土懸臂板，用頻率變化率作為輸入向量對(duì)其進(jìn)行了損傷識(shí)別。算例表明，這種WPNN與數(shù)據(jù)融合的損傷識(shí)別方法有良好的容錯(cuò)性。王萬平[7]利用數(shù)據(jù)融合技術(shù)進(jìn)行桁架結(jié)構(gòu)損傷識(shí)別，他用Ansys有限元程序建立了桁架結(jié)構(gòu)的計(jì)算模型， 然后取損傷前后的前六階固有頻率經(jīng)過融合技術(shù)處理作為概率網(wǎng)絡(luò)的輸入向量，對(duì)所建立的模型進(jìn)行了數(shù)值模擬。算例表明，對(duì)一處和兩處單元發(fā)生30%單元?jiǎng)偠日蹨p的損傷情況都有較好的識(shí)別效果。

肖儀清[8]應(yīng)用小波分析提取橋面的一階振型，從空間換時(shí)間的角度導(dǎo)出曲率模態(tài)乘子矩陣，將振型轉(zhuǎn)換為曲率模態(tài)差，并作為普適概率神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，對(duì)濱州黃河大橋的鋁質(zhì)縮尺模型的有限元模型進(jìn)行了損傷識(shí)別。文中采用模擬脈動(dòng)風(fēng)荷載激勵(lì)斜拉橋振動(dòng)，得到動(dòng)力響應(yīng)參數(shù)，使該方法的實(shí)用性大大提高。

禚一[9]提出分步損傷識(shí)別方法，以天津河北大街混合梁斜拉橋?yàn)槔?，首先采用概率神?jīng)網(wǎng)絡(luò)判定發(fā)生損傷的子結(jié)構(gòu)位置，輸入向量選用正則化的頻率變化率，然后用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)有損傷的子結(jié)構(gòu)中的局部構(gòu)件進(jìn)行進(jìn)一步的損傷位置和程度的識(shí)別。采用這種組合網(wǎng)絡(luò)進(jìn)行分階段的損傷識(shí)別效率較高，特別適用于大型結(jié)構(gòu)的損傷識(shí)別。通過分步識(shí)別法，減少了每次損傷識(shí)別都要對(duì)所有構(gòu)件同時(shí)進(jìn)行損傷程度判定的工作量，也使識(shí)別的精度和準(zhǔn)確性有了很大的提高。

3 結(jié)論

（1）概率神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的工況代表性較高，如何使訓(xùn)練樣本全面包含可能出現(xiàn)的所有損傷類別對(duì)于損傷識(shí)別的準(zhǔn)確性非常重要。因此訓(xùn)練樣本的數(shù)量必然龐大，需要極大的存儲(chǔ)空間；

（2）輸入向量的選擇對(duì)于概率神經(jīng)網(wǎng)絡(luò)的損傷識(shí)別效果也非常重要，在不同的結(jié)構(gòu)類型下如何合理的選擇小波變換函數(shù)和數(shù)據(jù)融合技術(shù)，使測(cè)得的動(dòng)力信號(hào)可以得到最優(yōu)化的處理需要更深入的研究。

【參考文獻(xiàn)】

[1]姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測(cè)[M].北京：科學(xué)出版社，2002.

[2]Specht D F.Probabilistic neural networks[J].Neural Networks，1990，3：109 -118.

[3]楊曉楠，姜紹飛，唐和生等.小波函數(shù)的選擇對(duì)結(jié)構(gòu)損傷識(shí)別的影響[J].沈陽建筑大學(xué)學(xué)報(bào)（自然科學(xué)版），2005，21（6）：635-639.

[4]姜紹飛，張帥，楊曉楠，等.自適應(yīng)小波概率神經(jīng)網(wǎng)絡(luò)損傷識(shí)別方法[J].沈陽建筑大學(xué)學(xué)報(bào)（自然科學(xué)版），2006，22（1）：45-48.

[5]王勇，楊俊青，肇啟才，等.小波尺度選擇對(duì)鋼結(jié)構(gòu)損傷識(shí)別的影響[J].山西建筑，2007，33（30）：99-100.

[6]翁光遠(yuǎn)，王社良.懸臂板損傷數(shù)值模擬試驗(yàn)與WPNN識(shí)別（下轉(zhuǎn)第68頁）（上接第51頁）方法[J].西安工業(yè)大學(xué)學(xué)報(bào)，2009，29（3）：290-293.

[7]王萬平，翁光遠(yuǎn)，申偉等.桁架結(jié)構(gòu)損傷識(shí)別的數(shù)據(jù)融合方法研究[J].工業(yè)建筑，2012，42（12）：129-132.

[8]肖儀清，李成濤.基于曲率模態(tài)和神經(jīng)網(wǎng)絡(luò)的斜拉橋損傷識(shí)別[J].武漢理工大學(xué)學(xué)報(bào)，2010，32（9）：275-279.

[9]禚一，王菲.基于人工神經(jīng)網(wǎng)絡(luò)的混合梁斜拉橋智能診斷方法研究[J].鐵道工程學(xué)報(bào)，2011，（12）：57-63.

[責(zé)任編輯：楊玉潔]