基于RBF神经网络的结构损伤识别方法研究进展★

范进胜 苏英志 吴会阁

(1.石家庄经济学院勘查技术与工程学院，河北 石家庄 050031；2.邢台职业技术学院，河北 邢台 054000)

基于RBF神经网络的结构损伤识别方法研究进展★

范进胜1苏英志2吴会阁1

(1.石家庄经济学院勘查技术与工程学院，河北 石家庄 050031；2.邢台职业技术学院，河北 邢台 054000)

阐述了径向基神经网络(RBF网络)用于结构损伤识别的工作原理，介绍了国内外学者利用RBF神经网络对结构进行损伤识别的研究进展，从网络输入参数、网络算法、结构建模等方面，分析了该方法的优点和存在的问题，指明了进一步研究的方向。

RBF网络，结构损伤识别，输入参数

1 概述

随着社会和经济的发展，我国的建筑业在近十年得到了飞速的发展，大量大体型和结构复杂的建筑不断建成，尤其是一二线城市，高层和超高层的数量迅速上升。建筑的安全关系着巨大的经济利益和社会影响，二十世纪八九十年代的楼房由于临近设计使用年限而且大部分是受力性能较差的砖混结构，因此时有事故发生。此外由于地震等意外灾害，也会造成建筑的损伤，从而造成巨大的财产和生命损失。因此，加强建筑的安全监测和损伤识别鉴定具有重大的现实意义。

工程结构的损伤检测和识别有静力法和动力法两种。对于结构局部和外观损伤，静力法具有检测简便，测量精确，实践经验丰富等优点，而对于结构隐蔽部位和大型复杂结构，需要检测的构件比较多的时候，相对于静力法，动力法获得结构的振动响应参数去判断结构的损伤具有更大的优势。神经网络具有很强的鲁棒性和纠错性，其强大的非线性映射关系使其对于模式识别具有很好的能力，因此国内外学者对基于神经网络的结构损伤识别进行了大量研究，发展了BP网络、RBF网络、模糊神经网络、概率神经网络、自组织神经网络等模型。本文对基于RBF网络的结构损伤识别的发展状况进行探讨。

2 RBF网络工作原理

径向基神经网络(简称RBF网络)属于前馈型神经网络，和发展比较早的BP网络结构类似。RBF 网络同样包含三层，第一层是输入层，由信号源节点组成；第二层是隐含层，单元个数由结构规模和形式而定，其变换函数是非负非线性函数；第三层是输出层，输出模式识别结果。图1是一个典型的三层RBF神经网络结构。

RBF网络一般使用高斯核函数作为传递函数，表达式如下：

(1)

式中：Ri——隐含层第i个单元的输出；

ci——其中心；

σi——宽度；

x——输入模式。

RBF网络用于结构损伤识别的流程如下：首先用动力响应法得到对损伤比较敏感的模态参数，如频率、周期、振型、模态曲率、位移等，对这些模态参数进行规范化处理后作为网络的输入向量，而结构的损伤位置和程度作为输出向量，结构的损伤必然造成结构模态参数的改变，然后把这种损伤前后的变化用损伤程度来表示，做成训练样本对网络进行训练，训练好的网络用检测样本进行网络的测试，如果误差在允许范围内则该网络具有可行性。否则对网络的单元数和算法进行改进，直到得到理想的结果。

3 国内外学者研究进展

3.1 采用单一损伤参数

在已有的文献中，饶文碧等[1]较早采用了径向基网络对结构损伤识别进行了研究。网络学习方法选择了正交最小二乘法，该算法精度高，运算速度快而且简单易行，用处理后的频率向量作为输入向量，对一简支梁的单处损伤及多处损伤进行识别。算例结果与BP网络进行了比较，认为RBF 网络及其 OLS 学习方法在学习速度上更快，辨识结果的误差更小，说明RBF网络具有更好的实用性和推广性。王根会等[2]基于频率参数，阐述了RBF网络的调用及其函数中心和宽度的确定方法，以一座装配式预应力钢筋混凝土系杆拱桥为例，验证了该方法的可行性和准确性。张丽梅等[3]应用一阶单元应变模态差作为RBF网络的输入值，对正放四角锥和正六边形蜂窝形三角锥网架结构分别进行损伤识别，结果证明该方法对网架的损伤检测具有很好的实用价值。单一损伤参数在测量和计算上较为简便。

3.2 采用组合参数

袁旭东[4]将部分节点静力位移以及结构前几阶固有频率结合起来作为网络输入参数，利用径向基网络对结构进行了损伤识别的数值模拟研究，着重研究了观测自由度不完整情况下不同数据误差水平以及选取的频率数量对损伤程度识别结果的影响。算例表明，随着选取频率数量的增多，损伤程度识别的精度相应也会提高。

王兴林[5]选用了频率指标和曲率模态指标进行组合作为结构损伤识别的参数，他把频率变化率和模态曲率变化作为径向基网络的输入向量对简支工字钢梁和斜拉桥进行了损伤识别，结果显示组合参数的识别效果较好，对大型复杂结构RBF网络的损伤识别能力仍然很好。

冯清海等[6]取以成桥试验为基础的结构校正系数以及裂缝开裂度和钢筋锈蚀率等评价指标作为RBF网络的输入向量，对钢管混凝土拱桥进行了损伤识别，并以武汉市晴川桥作为工程实例进行了验证，结果表明该方法切实可行。

3.3 采用组合网络进行分步损伤识别

瞿伟廉等[7]利用概率神经网络先定损伤位置，然后采用前两阶杆端应变模态变化量作为输入参数，建立径向基神经网络对结构节点损伤程度进行识别，文中用10层钢筋混凝土框架结构进行了仿真分析，结果显示，对于多层和高层复杂框架结构节点损伤的识别，高阶的应变模态变化量效果更好。

林涛[8]用BP网络和概率神经网络先对结构损伤进行初步判别，然后计算出结构的前六阶固有频率和相应节点的一阶振型，作为RBF网络的输入参数，对一个单层轻型门式刚架进行了计算验证。组合神经网络可以发挥不同网络类型在模式识别和计算速度方面的优点，互为补充。

4 结语

通过上述分析发现存在的问题并提出进一步研究建议：

1)建模误差。

在许多研究算例里所建立的模型都是采用平面模型，作为理论测试对象这种模型可以采用，但是相比于实际工程结构，尤其是大型结构，结构的空间作用是不能忽略的。此外，一些模型在支座形式、边界条件和结构形式简化上也存在与实际结构不相符之处，因此在结果分析时应该把建模的误差考虑进去，做出相应的修正，从而使该方法得到更好的使用与推广。

2)参数选取。

RBF网络的输入向量最初的研究多为单一参数，最近的发展趋势采用组合参数居多。以往的研究定性分析的比较多，而对于同类结构如果能有比较具体的定量分析指标，对参数的选取根据其测量计算的难易给出一个经济性指标，对于制订RBF网络用于结构损伤识别的规程性文件将大有益处。

3)网络建立。

网络训练样本数量对于网络的训练时间和收敛速度影响很大，对于复杂结构如何得到一个合理的样本规模仍需深入的研究，此外采用何种算法可以使网络的预测取得更好的效果也需要进一步研究。

[1] 饶文碧,吴代华.RBF神经网络及其在结构损伤识别中的应用研究[J].固体力学学报,2002,23(4):477-482.

[2] 王根会,武海广,胡良红，等.基于RBF神经网络设计的桥梁结构损伤识别方法研究[J].兰州交通大学学报,2006,25(4):18-23.

[3] 张丽梅,刘卫然,张立伟，等.基于单元应变模态差和RBF神经网络的网架损伤检测方法[J].河北科技大学学报,2013,34(1):79-85.

[4] 袁旭东.基于不完备信息土木工程结构损伤识别方法研究[D].大连：大连理工大学,2005.

[5] 王兴林.基于径向基网络的结构损伤识别[D].南京：南京航空航天大学,2006.

[6] 冯清海,刘沐宇,袁万城，等.基于径向基网络的钢管混凝土拱桥安全性评价方法[J].公路交通科技,2009,26(8):67-72.

[7] 瞿伟廉,陈 伟,李秋胜，等.基于神经网络技术的复杂框架结构节点损伤的两步诊断法[J].土木工程学报,2003,36(5):37-45.

[8] 林 涛.大跨钢结构缺陷损伤的测定方法的研究[D].西安：西安建筑科技大学,2009.

Research progress of structural damage identification method based on RBF neural network★

Fan Jinsheng1Su Yingzhi2Wu Huige1

(1.CollegeofExplorationTechnologyandEngineering,ShijiazhuangUniversityofEconomies,Shijiazhuang050031,China;2.XingtaiCollegeofProfessionalTechnology,Xingtai054000,China)

The paper adopts the working principle of RBF neural network for the structural damage identification,introduces the RBF neural network to undertake the damage identification of the structures by the experts at home and abroad,and analyzes the advantages and problem of the method from the network input parameter,network calculation and structural framework,so as to indicates its orientation.

RBF neural network,structural damage identification,input parameter

2015-10-16★：河北省教育厅高等学校科学技术研究项目(项目编号：Z2012137)

范进胜(1979- )，男，硕士，讲师

1009-6825(2015)36-0032-02

TU312.3 < class="emphasis_bold">文献标识码：A

A