，用于结构受拉力影响时的损伤检 测，基于一种三层前向型RBF神经网络，其第一层为输入层，由信号源节点组成，第二层为 隐含层，第三层为输出层；隐含层的神经元数量根据描述问题的需要确定，隐含层的变换函 数是中心点径向对称且衰减的非负非线性函数；输入层到隐含层控件的变换是非线性的， 而从隐含层控件到输出层的变化是线性的；
[0042] 用RBF作为隐含层的"基"构成隐含层控件，将输出向量直接（不需要通过权连 接）映射到隐空间；而隐含层空间到输出空间的映射关系是线性的，网络的输出是隐单元 输出的线性加权和；此处的权即为网络可调参数从总体上看，网络由输入到输出的映射是 非线性的，而网络输出对可调参数是线性的；网络的权根据线性方程获取，从而大大提供了 RBF神经网络的学习速度；实施例中RBF神经网络的径向基函数采用高斯函数；实施例1其 采用的RBF神经网络结构如图1所示意的，以扫频频率和拉力作为输入层，输出导纳数据， 其隐含层的神经元数量根据RBF神经网络的均方误差与预设误差的趋近程度来确定。
[0043] 图2所示，是RBF神经网络训练流程示意图，该流程包括以下步骤：
[0044] (2. 1)给定扫频频率和拉力作为输入向量，给定期望输出的导纳；
[0045] (2. 2)获取隐含层、输出层各单元输出；
[0046] (2.3)获取输出误差；判断输出误差是否满足预定目标的要求，若是，则结束训 练；若否，则增加神经元，并返回步骤（2. 3)。
[0047] 实施例中，试件1是一根Q235钢梁，钢梁尺寸为500mm*35mm*4mm，无损伤；试件2 是Q235钢梁，钢梁尺寸为500mm*35mm*4mm，具有8mm长的裂缝损伤；采用拉伸仪器对钢梁 试件1和试件2施加拉力，并利用阻抗分析仪测试PZT在不同拉力工况下的导纳信号。
[0048] 采用本发明提供的用于损伤识别的拉力补偿方法，对试件1和试件2进行拉伸测 试；图3所示，是试件1的PZT2各拉力工况0kN，2kN，4kN，6kN，8kN下测量的导纳曲线图及 局部放大图；
[0049] 图4所示，是试件2的PZT3各拉力工况OkN，4kN，8kN，12kN，16kN下测量的导纳曲 线图及局部放大图；
[0050] 从图3可以看出，试件1在300kHz到400kHz频率段测得的导纳曲线随着拉力逐 渐增大呈现向下的趋势，尤其在导纳曲线的峰值处更为明显。
[0051] 将测量的导纳信号的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，形成RBF神经网络结构；隐含层神经元数量为10个。
[0052] 将试件1中PZT2和试件2中PZT3测得的数据的1/2当作训练样本，1/2当作测试 样本；试件1中2号压电片经过RBF神经网络仿真后不同拉力工况下的导纳信息与实测的 导纳信息对比；图5所示，是试件1PZT2在拉力值为OkN，2kN，4kN，6kN拉力工况下的数据对 比；图6所示，是试件2PZT3在拉力值为OkN，4kN，8kN，12kN拉力工况下的数据对比，表明在 不同拉力工况下仿真导纳数据与实测导纳值基本吻合；
[0053] 可以看出，经过不同拉力工况的数据训练后，RBF神经网络能够仿真出不同拉力工 况下的导纳数据；与实测数据对比可以看出仿真的导纳数据与实测的导纳数据基本吻合， 能够很好预测出健康状态下不同拉力工况下的导纳数据。
[0054] 再用实测的导纳数据与预测的导纳数据作对比分析，判断预测的导纳数据与实测 数据的差值是否满足预设的差值期望，预设的差值期望为5%~10%，实施例中为6%，以 补偿拉力对导纳数据的影响。
[0055] 定量分析试件在无损伤和有裂纹损伤情况下受拉的RBF补偿效果；图7表示在无 损状态下，经过RBF补偿后计算所得试件1的2号压电片补偿后的RMSD损伤指标在不同拉 力工况下均在0. 1左右，相对于原始数据的RMSD指标基本趋于稳定；
[0056] 由此确定，试件1的健康状态未发生改变，即无损伤发生；原始数据中因为拉力影 响对结构健康状态的误判经过RBF补偿后得到修正。
[0057] 图8表示试件2的3号压电片在无损状态下的RBF补偿前后RMSD指标对比图； 在试件2发生损伤后，如图9所示，损伤指标相比无损状态补偿后的RMSD指标从0. 26变为 0. 44,明显增大，表明结构发生损伤；
[0058] 随着拉力的增大，RMSD趋于稳定没有明显变化，表明结构损伤程度没有变化；由 此可以看出补偿后对结构的健康状态的判断以及损伤程度的判断得到了修正，对EMI损伤 检测方法的拉力补偿是有效的；采用本发明提供的方法，可以对结构所受拉力进行补偿后 再识别结构是否损伤，排除了结构所受拉力对损伤识别准确性的影响。
[0059] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种用于损伤识别的拉力补偿方法，其特征在于，所述拉力补偿方法基于RBF神经 网络，包括如下步骤： (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； (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； (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； (4) 根据步骤（3)获得的导纳值，获取补偿后的RMSD损伤指标。2. 如权利要求1所述的拉力补偿方法，其特征在于，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： a、 将RBF神经网络产生的均方误差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； 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； c、 获取步骤b所述新的RBF神经网络的均方误差； 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%。3. 权利要求1所述的拉力补偿方法，其特征在于，步骤（2)所述的对RBF神经网络进行 训练的步骤，包括如下子步骤： (2. 1)给定扫频频率、拉力和期望输出的导纳值； (2.2)将所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； (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)。4. 如权利要求3所述的拉力补偿方法，其特征在于，在步骤（2.3)结束训练后，采用如 下步骤确定RBF神经网络训练效果，具体为： (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； (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。
【专利摘要】本发明公开了一种用于损伤识别的拉力补偿方法，包括以下步骤：(1)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，形成RBF神经网络结构；(2)采用包含频率、拉力及导纳的样本数据对该RBF神经网络进行训练；(3)将训练完成后的测试数据的频率及拉力作为输入，通过仿真输出相应的导纳数据，并对实测的导纳数据与仿真所得的导纳数据进行对比，根据RMSD损伤指标衡量补偿的效果；补偿外部拉力对导纳数据的影响；该方法通过一个无损受拉钢梁试验和一个有损受拉钢梁得到验证；通过本发明提供的方法，消除了结构所受拉力对EMI技术损伤识别的影响，具有很好的实用性。
【IPC分类】G06N3/04
【公开号】CN105184364
【申请号】CN201510627442
【发明人】朱宏平, 艾德米, 杨景文
【申请人】华中科技大学
【公开日】2015年12月23日
【申请日】2015年9月28日