一种改进的基于神经网络的桥梁损伤识别方法
【专利摘要】本发明公开了一种改进的基于神经网络的桥梁损伤识别方法，包括：S1，构造样本数据；S2，确定网络拓扑结构；S3，训练及测试；S4，损伤识别：将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别；其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模型的个数Ymin为目标函数，Ymin所对应的传感器的布设位置即为最优的传感器布设。本发明可以实现利用最少的传感器且能最大程度的区分结构的各种可能的损伤情况，同时可以使得识别结果具有较高的精度并趋于稳定。
【专利说明】一种改进的基于神经网络的桥梁损伤识别方法
【技术领域】
[0001]本发明涉及一种改进的基于神经网络的桥梁损伤识别方法，属于桥梁损伤识别【技术领域】。
【背景技术】
[0002]桥梁作为交通运输的关键点，在我们的日常生活中承担着极其重要的角色。正是因为一座座桥梁的存在，使得全国的公路以及铁路运输网得以贯通，构成了四通八达交通运输系统，桥梁对于城市交通的重要性也与日俱增。近几年随着我国经济的飞速发展，我们国家在桥梁建设方面取得了巨大的成就，同时，桥梁工程又是关系到人民生命财产安全的工程，因此桥梁的健康情况需高度重视。但是，随着桥梁服役期的增长，桥梁自身的内部机构、材料都会慢慢的发生变化，致使桥梁的承载能力降低。当这些损伤积累到一定程度时，桥梁就可能发生事故，桥梁一旦发生重大事故，将会造成难以预估的损失。因此对桥梁进行健康监测就显得非常重要。
[0003]桥梁健康监测的主要工作是借助安装在桥梁上的监测仪器，分析桥梁的特征参数的变化，并以此来分析桥梁的健康状况。这些特征参数包括振动、变形、应变、温度等，可以选取其中的一个或者几个参数来进行监测分析。在桥梁结构的状态监测基础上再做进一步的深入研究一损伤识别。损伤识别依据状态监测中所得到的数据进行分析，识别出桥梁损伤的部位和损伤程度，为后续的管理决策提供依据，最终实现损伤的预防和控制。
[0004]《计算机与数字工程》2010(4):173-175中的《基于模式识别的桥梁故障检测》从挠度数据出发，运用模式识别技术和数据分析技术，检测桥梁中某些类型的损伤和隐患，将模式识别中的近邻算法与K-均值算法相结合，提出了一种桥梁异常检测方法。《济南大学》2010中的《三维网络自适应生成及其在桥梁裂纹诊断中的应用》，公开了一种在桥梁模型上应用的基于力平衡的网格质量优化算法，利用力的平衡和距离函数寻找节点位置，用Delaunay算法重置拓扑结构，实现了桥梁模型的网格划分；此外其还公开了将损伤指标法和计算智能法相结合，基于固有频率和曲率模态比值，用BP神经网络对桥梁进行裂纹损伤识别。《基于模态参数分析的井架结构损伤识别研究》秦皇岛:大庆石油学院，2006，公开了一种基于模态参数，用曲率模态法、柔度差值法进行结构损伤识别的理论与方法，其应用了柔度曲率法进行结构损伤识别，证实了基于柔度差值的损伤定位方法存在模糊或者错误定位的问题，曲率模态法可以不依赖损伤前的结构参数，但对于小损伤也存在模糊定位的隐患。《建筑结构振动的递阶分散控制研究》哈尔滨:哈尔滨工业大学，2009，公开了一种建筑结构在递阶分散控制下的损伤识别方法，并给出了基于递阶分散控制的频率平方灵敏度损伤识别方法。《基于计算智能技术的桥梁结构损伤识别研究》.长春:吉林大学，2008，提出了一种基于粒子群算法和小波神经网络算法的桥梁结构识别方法。《基于计算智能方法的简支桥梁损伤识别研究》.长春:吉林大学，2010，其对简支桥梁进行了分析，采用粒子群优化支持向量机算法，研究了基于振动的桥梁损伤识别。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,其公开了对于自然频率和振型的参数变化，采用人工神经网络算法来进行桥梁的结构损伤识另O。但是上述现有的方案用于桥梁损伤识别时，均存在以下缺陷:稳定性差、精度低，且以实际桥梁的监测信息作为网络输入时未经优化的算法网络并不能有效反映桥梁的实际损伤情况，因此仍然需要进行进一步研究。另外，传感器的布设是桥梁结构健康监测过程中的一个重要问题，以往的监测中，为了尽可能多的获取桥梁不同位置的信息采取的方法一般是在桥梁内部埋入较多的传感器，然而这种做法会带来以下不良后果:一、增加了监测系统的成本；二、过多的传感器本身也会对桥梁的结构造成不利的影响。因此应尽量做到使用较少的传感器获得尽可能多的结构健康信息。
【发明内容】
[0005]本发明的目的在于，提供一种改进的基于神经网络的桥梁损伤识别方法，它可以有效解决现有技术中存在的问题，尤其是损伤识别精度较低的问题。
[0006]为解决上述技术问题，本发明采用如下的技术方案:一种改进的基于神经网络的桥梁损伤识别方法，包括以下步骤:
[0007]SI，构造样本数据:利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟应变数据，并将应变变化率作为BP神经网络的样本数据；
[0008]S2，确定网络拓扑结构:确定BP神经网络隐含层的层数及各个层所含神经元的个数；同时初始化神经网络的权值阈值；
[0009]S3，训练及测试:采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试；
[0010]S4，损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别；其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模型的个数Ymin为目标函数，Yfflin所对应的传感器的布设位置即为最优的传感器布设。
[0011]BP神经网络有多种算法，选择合适的算法对能否保证训练效果至关重要，本发明选取的为梯度下降动量traingdm算法，因该算法不仅考虑了误差在梯度上的作用，而且考虑了在误差曲面上的变化趋势的影响，由于引入了一个动向量(相当于一个阻尼项)，有效的避免了局部最小问题在网络训练中的出现，因而与trainbfg(准牛顿BP算法函数)和traingd(梯度下降算法)相比,本发明选取的梯度下降动量traingdm算法可以大大提高神经网络损伤识别的精度。
[0012]所述的BP神经网络的输入层所含的神经元个数即实际采集数据的应变传感器的个数；输出层所含的神经元个数即损伤位置的个数；隐含层的层数可采用经验算法来确定；隐含层神经元的个数根据测试精度和网络的泛化能力综合决定。
[0013]优选的，本发明综合考虑神经元网络的运算速度以及训练的精度，采用包含五个神经元节点的一层隐含层训练的神经元网络进行损伤识别。
[0014]本发明步骤SI中所述的利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实体有限元模型。
[0015]本发明的步骤SI中，所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括:使用ANSYS软件对模型进行分析,利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型，根据模态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置；采用降低弹性模量的方法模拟不同位置不同程度的损伤；再使用APDL语言中*get命令即提取得到不同程度不同位置损伤情况下的应变数据。
￡ — S-
[0016]本发明的步骤SI中所述的应变变化率为其中，ε "为未损伤状况的第j个位置的应变数据，ε sJ为损伤状况下的第j个位置的应变数据，Sij为应变变化率。
[0017]优选的，步骤S2中，采用云粒子群算法初始化神经网络的权值阈值。
[0018]更优选的，所述的采用云粒子群算法初始化神经网络的权值阈值具体包括:
[0019]a.通过BP神经网络确定权值阈值长度；
[0020]b.根据BP神经网络的结构和样本数据规模确定粒子群的规模，并按照云粒子群算法的步骤进行迭代搜索，直到超过设定的迭代次数时停止；搜索到的具有最优适应度的粒子即初始权值。
[0021]前述的改进的基于神经网络的桥梁损伤识别方法中，步骤a中所述的权值阈值长度为[O, I]。
[0022]步骤b中所述的设定的迭代次数，是根据权值的稳定性而确定的。
[0023]优选的，步骤S4中所述的最优的传感器布设具体包括:
[0024]Al，建立η种损伤情况下的有限元损伤模型，并提取各种损伤情况下各传感器潜在位置i处的应变预测值Pij,其中，I为传感器的潜在位置，j为损伤情况，I ^ j ^ η ；
[0025]BI，根据传感器的测量精度，将传感器潜在位置i处的应力预测值Pi划分为若干区间，相应的应力预测值处于同一区间的损伤模型即为不可识别损伤模型；将包含两个或两个以上的模型的区间设为集合bik，其中，k为不可识别损伤数，O彡k < j ;集合bik中的元素为各种不可识别的损伤状态且多个bik组成集合Bi, Bi = Ibil U bi2...U bik}；
[0026]Cl，若各传感器的潜在位置个数为m，传感器的个数为s，计算Y =IB1 n B2...n BJ ;子集中元素数量最少的数目即为最少的不可识别模型的个数Ymin，Ymin所对应的传感器的布设位置即为最优的传感器布设。
[0027]本发明编程求解Ymin的实现:
[0028]由于在求解Ymin的过程中，当i = s时需计算集合Y的次数为C(m，s)，计算量巨大，因而求解Ymin，需编制相应的优化算法。因为求交集具有结合律，即(A η B) n C =A η (B η C),所以每次计算S = i+l的Y时，可以利用s = i的Y,用s = i的Y中的每个元素，与s = I的Y相交，通过枚举，可以不重复算出Y中每个元素，从而节约大量计算时间。
[0029]依据此原理，可采用如下的方法来实现Ymin的计算:
[0030]首先计算s = I时的Y，假设有m行，Y中元素表示为{YD1...YJ ;计算每个集合Yi中的最大子集元素的个数(表示为Y^ax)及所有Ytmax中的最小值(表示为Ys = k，min)，其中，S为传感器的个数，Y为不可识别模型的个数，m为各传感器的潜在位置个数；
[0031]其次,根据s = i时的Y与s = I时的Y相交来计算s = i+l时的Y,依次类推迭代。
[0032]例如Y1 = B1 n B2 = {(5，6) ； (9，O)}，其不可识别模型最多为2个；而Y2 = B3 H B5=Φ，Υ2 = B4 n B5 = Φ则为空集，不可识别模型为零，此时的Y即为所求。
[0033]根据以上算法思想，编制的程序流程图如图26所示。
[0034]采用matlab语言编制相关程序进行计算，将模拟得到的各损伤状态下的应变值作为输入，得到相应输出。
[0035]为了验证本发明的效果，发明人进行了一系列试验进行研究，具体内容如下:
[0036]一、利用神经网络进行桥梁损伤识别的步骤包括:
[0037]SI，构造样本数据:利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟应变数据，并将应变变化率作为BP神经网络的样本数据；
[0038]S2，确定网络拓扑结构:确定BP神经网络隐含层的层数及各个层所含神经元的个数；同时初始化神经网络的权值阈值；
[0039]S3，训练及测试:采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试；
[0040]S4，损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别；其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模型的个数Ymin为目标函数，Yfflin所对应的传感器的布设位置即为最优的传感器布设。
[0041]二、基于模态参数的损伤识别研究
[0042]本试验以大石河桥的一跨桥梁为研究对象，所用桥梁模型即利用通用有限元计算软件ANSYS建立的全桥实体有限元模型(根据石河大桥的施工图纸按照桥梁的实际结构和尺寸使用APDL语言编写建模程序,具体过程是通过使用secwrite、sectype、secoffset和secread命令建立图纸中的四种截面、划分网格并记录截面号，设置与桥梁材料结构合适的弹性模量、泊松比及密度等；再选择合适的单位定义实际桥梁中一跨的节点和单元，在相应的位置赋上截面，通过截面的拉伸来完成一跨模型的建立，再利用一跨模型完成全桥模型建立)。
[0043]1.模态分析结果
[0044]利用Block Lanczos方法提取模态参数:固有频率和模态振型，其未损伤状况下前10阶的频率计算结果如表1:
[0045]表1未损伤状况下的模态分析频率表
[0046]
【权利要求】
1.一种改进的基于神经网络的桥梁损伤识别方法，其特征在于，包括以下步骤: SI，构造样本数据:利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟应变数据，并将应变变化率作为BP神经网络的样本数据； S2，确定网络拓扑结构:确定BP神经网络隐含层的层数及各个层所含神经元的个数；同时初始化神经网络的权值阈值； S3，训练及测试:采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试； S4，损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别；其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模型的个数Ymin为目标函数，Yfflin所对应的传感器的布设位置即为最优的传感器布设。
2.根据权利要求1所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤SI中所述的利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实体有限元模型。
3.根据权利要求2所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤SI中所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括:使用ANSYS软件对模型进行分析，利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型，根据模态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置；采用降低弹性模量的方法模拟不同位置不同程度的损伤；再使用APDL语言中*get命令即提取得到不同程度不同位置损伤情况下的应变数据。
4.根据权利要求3所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤SI中所述的应变变化率为:
，其中，ε "为未损伤状况的第j个位置的应变数据，ε sJ为损伤状况下的第j个kiP、」应变数据，Sij为应变变化率。
5.根据权利要求1~4任一所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S2中，采用云粒子群算法初始化神经网络的权值阈值。
6.根据权利要求5所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，所述的采用云粒子群算法初始化神经网络的权值阈值具体包括: a.通过BP神经网络确定权值阈值长度； b.根据BP神经网络的结构和样本数据规模确定粒子群的规模，并按照云粒子群算法的步骤进行迭代搜索，直到超过设定的迭代次数时停止；搜索到的具有最优适应度的粒子即初始权值。
7.根据权利要求6所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤a中所述的权值阈值长度为[0，I]。
8.根权利要求6所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S4中所述的最优的传感器布设具体包括: Al，建立η种损伤情况下的有限元损伤模型，并提取各种损伤情况下各传感器潜在位置i处的应变预测值Pij,其中，i为传感器的潜在位置，j为损伤情况，I ^ j ^ η ； BI，根据传感器的测量精度，将传感器潜在位置i处的应力预测值Pi划分为若干区间，相应的应力预测值处于同一区间的损伤模型即为不可识别损伤模型；将包含两个或两个以上的模型的区间设为集合bik，其中，k为不可识别损伤数，O彡k< j ;集合bik中的元素为各种不可识别的损伤状态且多个bik组成集合Bi, Bi = Ibil U bi2...U bik}； Cl，若各传感器的潜在位置个数为m，传感器的个数为s，计算Y= (B1 Π B2...H BJ ；子集中元素数量最少的数目即为最少的不可识别模型的个数Ymin，Yfflin所对应的传感器的布设位置即为最优的传感器布设。
【文档编号】G06N3/02GK104200265SQ201410363603
【公开日】2014年12月10日 申请日期:2014年7月28日 优先权日:2014年7月28日
【发明者】吴朝霞, 金伟, 李俞成, 黄艳南, 胡利朋 申请人:东北大学