一种用于损伤识别的拉力补偿方法
【技术领域】
[0001] 本发明属于结构健康监测技术领域，更具体地，涉及一种用于损伤识别的拉力补 偿方法。
【背景技术】
[0002] 土木工程结构由于连续使用，材料退化、环境影响、地震等造成结构损伤，而绝大 部分结构潜在的微小损伤很难通过肉眼识别。结构早期的微小损伤若未及时发现，会引发 结构的累计损伤，从而导致结构的突发性失效，及时准确地识别结构早期微弱和潜在的损 伤，是结构工程领域的难题；现有的结构健康监测技术有视觉检验法，低频振动技术，静态 结构响应技术，以及局部无损检测技术；这些技术的缺陷主要在于：工程结构系统庞大，检 测难以到达每个部位，耗时耗力；由于其低频特性对局部损伤无效，且易受环境噪声影响； 测量庞大结构的静态特性（如位移、速度、加速度等）不具有可操作性。
[0003] 基于PZT的压电阻抗（EMI)技术主要基于局部高频激励，利用PZT同时作为传感 器和驱动器，对结构局部激励获取结构性能变化的信息，从而实现对结构微小损伤的识别； 其基本原理是利用高强粘结剂将PZT粘贴结构表面或植入结构内部，利用PZT正逆压电效 应，通过压电阻抗仪施加电压对结构局部激振，获得与结构性能（质量，刚度，阻尼等）相关 的监测信号，此信号作为结构健康衡量的基准，将来通过观察信号的改变来识别结构是否 发生损伤。由于其高频特性，具有对结构微小损伤敏感，且能避开环境噪声影响的优点；但 该技术仍然局限于试验件，未有计入外部拉力对工件的影响。
[0004] 而实际工况下，工程结构始终处于受力状态；且在工程结构的整个服役过程中，所 承受的荷载是不断变化的；当结构发生损伤时局部应力会发生很大变化；EMI技术通过测 量导纳信号并通过判别导纳曲线的偏移实现结构损伤识别；试验表明，结构在受拉力的状 态下的压电阻抗导纳信号与不受拉力状态的不同，结构受拉会引起导纳曲线偏移，从而影 响EMI技术对结构损伤的识别的准确度；因此，排除拉力变化对工程结构损伤识别的干扰， 建立有效的拉力补偿方法有待解决。
【发明内容】
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种用于损伤识别的拉力补 偿方法，其目的在于通过采用包含频率、拉力及导纳的样本数据对RBF神经网络进行训练， 实现对结构所受拉力的补偿，为结构精确的损伤识别排除干扰。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种用于损伤识别的拉力补偿 方法，该拉力补偿方法基于RBF(多变量插值的径向基函数，Radical Basis Function)神 经网络具体包括如下步骤：
[0007] (1)将扫频频率及拉力作为输入层，以导纳值作为输出层，与隐含层一起构成RBF 神经网络；
[0008] (2)采用包含扫频频率、拉力及导纳值的样本数据对所述RBF神经网络进行训练， 直到输出导纳值与相应样本数据的导纳值之间的差值在样本数据导纳值的±5%以内，结 束RBF神经网络训练；
[0009] (3)将测试数据的扫频频率及拉力作为输入，采用步骤（2)训练获得的RBF神经网 络，获取与所述扫频频率及拉力相应的导纳值；所述导纳值包含了外部拉力信息，补偿了拉 力对导纳数据的影响；
[0010] ⑷根据步骤⑶获得的导纳值，获取补偿后的RMSD损伤指标；
[0011] 上述用于损伤识别的拉力补偿方法先采用包含扫频频率、拉力及导纳值的样本数 据对RBF神经网络进行训练，训练完成后将测试数据的扫频频率及拉力作为RBF神经网络 的输入，获取相应输出的导纳值，该导纳值包含了拉力信息，补偿了拉力对导纳数据的影 响。
[0012] 优选的，在步骤（2)所述的RBF神经网络训练中，根据以下方法确定隐含层神经元 的数量：
[0013] a、将RBF神经网络产生的均方误差（MSE)所对应的输入向量作为权值向量，生成 一个新的隐含层神经元；
[0014] b、以测试所得导纳值作为输入，以仿真所得的导纳值作为输出，与步骤a生成的 新的隐含层神经元，构成新的RBF神经网络；
[0015] c、获取步骤b所述新的RBF神经网络的均方误差；
[0016] d、重复步骤a~c，直到RBF神经网络的均方误差达到预设均方误差，以此时的 隐含层神经元数量作为RBF神经网络隐含层神经元的数量；其中，预设均方误差在5%~ 10% ；
[0017] 在RBF神经网络训练中，现有技术是使隐含层神经元的数量与输入向量的元素相 等；但在输入向量很多时，过多的隐含层单元数会增加计算的复杂度；采用本发明提供的 上述方法，逐步趋近的达到隐含层神经元数量的最佳值，在最小的计算量内即可获得最佳 补偿效果。
[0018] 优选地，步骤⑵所述的对RBF神经网络进行训练的步骤，包括如下子步骤：
[0019] (2. 1)给定扫频频率、拉力和期望输出的导纳值；
[0020] (2. 2)将上述扫频频率和拉力作为输入向量，经步骤（1)获得的RBF神经网络处 理，获取导纳值；
[0021] (2. 3)将步骤（2. 2)中获取的导纳值与所述期望输出的导纳值做差，获得差值；判 断所述差值是否在期望输出导纳值的±5%以内；若是，则结束训练；若否，则增加神经元， 并返回步骤（2.2)。
[0022] 优选的，在上述步骤（2. 3)结束对RBF神经网络的训练后，采用如下步骤确定RBF 神经网络训练效果，具体为：
[0023] (2.4)将不同于训练样本的数据作为输入向量，用训练好的RBF神经网络进行仿 真，获取仿真输出的导纳值；
[0024] (2. 5)根据步骤（2. 4)里仿真输出的导纳值获取RMSD值，若在各拉力工况下获得 的RMSD值在5%以内波动，则进入步骤（3);否则，返回步骤（2. 1)，采用新的样本数据重新 训练RBF神经网络；
[0025] 其中，RMSD(root mean-square deviation)是对结构在不同状态下测量的信号的 均方根指数，根据该统计指标可衡量导纳信号变化前后PZT (piezoelectric ceramics，压 电陶瓷）传感器电信号的变化程度，根据下式获取：
[0027] 其中，η是指采样频率数，i是指每个频率采样点的导纳值，X1表示结构损伤前测 得的阻抗值；Y1表示结构损伤后测得的阻抗值；其中，i = 1，2,3,…，η。
[0028] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有 益效果：
[0029] (1)本发明提供的用于损伤识别的拉力补偿方法，采用RBF神经网络对拉力的影 响进行补偿；将扫频频率及不同的受力状态作为输入层，导纳信息作为输出层；神经网络 在输入层和输出层之间形成特定的映射关系；通过训练，利用已经形成的神经网络进行仿 真；在给定某一个输入后，通过神经网络仿真出相应的输出；从而达到消除拉力对导纳值 的影响，降低拉力对压电阻抗技术的干扰。
[0030] (2)本发明提供的拉力补偿方法，其优选方案里，还包括分析网络训练效果是否合 理的步骤，具有可不断调节仿真数据的灵活性，直到达到符合实际工况的补偿效果。
【附图说明】
[0031] 图1是RBF神经网络示意图；
[0032] 图2是RBF神经网络训练流程不意图；
[0033] 图3是测量试件一的ΡΖΤ2各拉力工况下导纳曲线图及局部放大图；
[0034] 图4是测量试件二的ΡΖΤ3各拉力工况下导纳曲线图及局部放大图；
[0035] 图5是测量试件一的PZT2RBF仿真与实测导纳信息对比图；
[0036] 图6是测量试件二的PZT3RBF仿真与实测导纳信息对比图；
[0037] 图7是试件一的ΡΖΤ2导纳经RBF补偿前后RMSD指标对比图；
[0038] 图8是试件二无损时ΡΖΤ3导纳经RBF补偿前后RMSD指标对比图；
[0039] 图9是试件二有损伤时ΡΖΤ3导纳经RBF补偿前后RMSD指标对比图。
【具体实施方式】
[0040] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要 彼此之间未构成冲突就可以相互组合。
[0041] 本发明提供的用于损伤识别的拉力补偿方法