基于概率神经网络的斜拉桥子结构损伤识别研究.doc

《基于概率神经网络的斜拉桥子结构损伤识别研究.doc》由会员分享，可在线阅读，更多相关《基于概率神经网络的斜拉桥子结构损伤识别研究.doc（6页珍藏版）》请在三一办公上搜索。

1、精品论文推荐基于概率神经网络的斜拉桥子结构损伤识别研究杨晓明，时丹 辽宁工程技术大学土木建筑工程学院，辽宁阜新 (123000) E-mail: xiao_m_y摘要：将人工神经网络应用于结构损伤识别是近年来新兴的一门研究课题。概率神经网络是一种用于模式分类的神经网络，适合进行结构损伤识别。本文首先介绍了子结构损伤识别 方法以及概率神经网络的基本理论；在此基础上，对一斜拉桥子结构损伤进行数值模拟，所使用训练和测试样本均分为不计噪声和考虑噪声两种情况；最后对神经网络在识别精度和受 噪声影响等方面进行分析，得出结论应用概率神经网络进行斜拉桥子结构损伤识别是可行而 有效的。关键词：人工神经网络；概率

2、神经网络；子结构；损伤识别；噪声中图分类号：P315.69; P315.952.21.引言人工神经网络（Artificial Neural Network）理论是 80 年代中后期发展起来的一个前沿研 究领域。由于神经网络具有大规模并行分布处理、高度的容错性和鲁棒性及学习联想能力等 主要特征，因此比较适应测试数据不完全、不精确的大型结构的损伤识别。目前在损伤识别 中应用最广泛的是 BP 网络，即误差反传神经网络1。然而 BP 网络由于网络的配置是由人 们凭经验任意设定和训练时间过长等缺陷而应用受到限制。另外，由于测量误差和结构不确 定的影响是不可避免的，不计测量误差(即认为振动测试结果是确定性

3、的)情况下，采用神经 网络成功地识别结构的损伤位置及损伤程度意义已经不大了，所以目前对大型结构的损伤识 别重点应在于考虑测量误差时能及时准确地识别结构是否发生损伤及损伤的大概位置。概率神经网络是一种适用于模式分类的神经网络。概率神经网络从多变量模式分类的贝 叶斯准则发展而来。姜绍飞等运用概率神经网络对香港青马悬索桥板的损伤定位进行了仿真 研究，他使用噪声污染后的频率数据被用来作为训练样本来建立损伤定位的三层概率神经网 络2；王柏生等用有噪声污染的频率数据作为样本训练概率神经网络，来揭示概率神经网络 的损伤位置识别能力3。本文首先介绍了子结构损伤识别的基本方法，然后应用概率神经网络对一斜拉桥子结

4、构 的损伤识别进行数值模拟，所使用的训练样本为受噪声污染的频率数据，在识别精度及受噪 声的影响程度等性能对概率神经网络的识别效果加以分析。2.子结构损伤识别方法对于大型结构的损伤识别应包括损伤存在识别、损伤位置识别和损伤程度识别等关键内 容。斜拉桥作为一个由多种材料、不同结构所组成的大型复杂结构系统，系统各部分的应力 状态、易损性等不相统一，刚度、动力特性等相差很大，如果直接从振动模态出发，笼统地 用单一的动力特性变化指标去评估整体结构的损伤状态，是难以达到预期的损伤识别效果 4；相反，如果将系统中材料相近、动力特性一致的部分划分为子结构，先判断是哪部分子 结构发生损伤，再在子结构中进行损伤位

5、置和损伤程度的识别，则可在每次处理中大幅度地 减少需要修正的参数，减轻损伤识别网络的负担，从而使损伤识别更迅速、更准确。对于大跨度斜拉桥来说，可以将整体结构分为桥塔、主梁和拉索等 3 个子结构。进行损 伤识别的第一步就是确定是哪一子结构发生损伤，识别方法可以采用概率神经网络方法。概 率神经网络在模式识别、分类方面较其他网络有优势，因此可以用来确定损伤类别，即判断- 6 -损伤发生在桥塔、主梁还是拉索上。用概率神经网络识别出哪部分子结构发生损伤后，再用BP 等其他神经网络进行子结构内部的损伤位置和损伤程度的识别5。3.概率神经网络的基本原理概率神经网络（Probabilistic Neural

6、Network, PNN）是 1990 年由 Specht D.F.提出来的6， 它从多变量模式分类的贝叶斯准则发展而来。贝叶斯准则己成为模式分类领域广为接受的决 策标准。设有 i = (i = 1,2,L, c) 个模式集合，每类的先验概率为 P( i ) ，对于任一随即矢量i)x R n ，每类的类条件概率为 P(x / )，j i = 1,2,L, c ，若有：p(x / i)P( i) p(x /)P(则 x i（1）这就是通常的贝叶斯判决准则。（7）式可进一步改写成：p(x / i ) =1)P( ijcmaxjj =1p(x/ j )P( j )则 x i（2）在基于后验概率分类的

7、神经网络模型中，可以使用对应于（2）式的网络输出层输出值 来判决模式样本的类型。y 1x 11x 2y x ny c输入层模式层输出层图 1 概率神经网络结构j概率神经网络通过设置对应的训练矢量为权矢量，并将模式层单元传递函数设为 Parzen 窗密度核函数，不管训练矢量和分类之间具有多么复杂的关系，PNN 都能保证收敛到贝叶 斯分类器并已得到证明。PNN 的结构如图 1 所示。它由输入层，模式层和输出层组成。输 入层的节点由输入矢量的维数决定。模式层节点数与网络训练样本数相同，在模式层进行待 分类样本 x 的高斯核函数运算， x(i ) 在 PNN 中做为输入层与模式层的权值。输出层中的每一

8、个神经元接收与其相连的给定类的所有模式层的输出。输出层中得到类条件概率的 Parzen窗函数估计，最后通过贝叶斯判决准则确定 x 属于哪类模式。4.大型斜拉桥子结构损伤识别的数值模拟为了解概率神经网络在结构损伤识别的能力及其在识别精度和受噪声影响程度等方面 的性能，本文分别应用概率神经网络对一斜拉桥子结构损伤识别进行了数值模拟分析，并对 结果进行分析。4.1 斜拉桥有限元模型及损伤样本某斜拉桥，上部结构为三跨双塔对称布置，全桥总长 355m，中孔跨径 176m，边跨 83.2m； 混凝土门形索塔，塔高 42.77m；拉索为扇形布置的双平面体系，每根塔柱有 13 对拉索，对 称布置。主梁为混凝土

9、箱梁，如图 2 所示。在该斜拉桥有限元模型建立中，桥塔和主梁采用 梁单元，拉索采用桁架单元。图 3 给出了该斜拉桥的单元划分情况和单元编号，由于该斜拉桥为对称结构，主梁右 半部的单元编号与左半部单元编号相同，为区别起见，在主梁右半部的单元编号右上角上加 一个撇号。拉索桁架单元的编号与主梁的编号完全一致。桥塔单元编号按从下到上为 1 至12，图 3 中右塔单元编号带撇号。 模型中梁单元的面积和惯性矩按实际截面计算，弹性模量取实际混凝土模量；桁架单元面积为实际拉索钢丝束的面积，弹性模量取值时考虑自重垂度影响。图 2 斜拉桥有限元模型图12 121 2 3 1112 13 141516 24 25

10、262625241615141312113 2 11 2 311 12 13 14 15 16124 25 26 27 26252416151413121113 2 1图 3 斜拉桥有限元模型单元编号图借助斜拉桥斜拉桥有限元模型的动力分析，桥塔、主量和拉索三个子结构内不同单元 的损伤工况作了数值模拟。将表 1 中所示的损伤工况下的结构损伤前后的前二十阶固有频率 变化率作为概率神经网络的输入。除了神经网络训练样本，有限元模型还模拟了一些损伤工况，作为网络的测试样本， 其内容如表 2 所示。同时，为了模拟实际测量数据的环境因素不确定性和测量仪器误差，对每一种损伤工况下（包括训练样本和测试样本）进行

11、动力有限元分析得到的频率相对变化率独立地加正态 分布的噪声，作为检验概率神经网络在输入数据受到噪声污染时的识别能力时的输入样本， 即iix = x a (1 + )（3）ii其中 x 是经噪声污染后的神经网络输入参数； x a是动力有限元数值模拟的结果； 是一个具有零均值、单位偏差的正态分布随机变量；代表噪声水平，本文中取值为 0.01，0.02，0.05，0.10。表 1 和表 2 中所示共有 132 个训练样本，16 个测试样本。对每一个训练样本通过（12） 式产生 10 组含噪声污染的“实测”样本，类似地，对每一个测试样本通过（3）式产生 20 组含噪声污染的“实测”样本。这样在检验概率

12、神经网络在输入数据受到噪声污染时的识别能力时共有 1320 个训练样本和 320 个测试样本。以上通过加正态分布的噪声来得到“实测”的数 据时，对训练样本和测试样本所加的噪声水平是一样的，但学习样本和测试样本的噪声是相 互独立的。表 1 神经网络训练样本桥塔损伤情况主梁损伤情况拉索损伤情况样本编号损伤单元号样本编号损伤单元号样本编号损伤单元号T-11L-11S-11T-22L-26S-26T-34L-313S-313T-45L-414S-414T-57L-519S-519T-610L-626S-626T-712L-727S-71，13T-81，1L-81，13S-88，20T-99，9L-98

13、，20S-914，13T-1012，12L-1014，13S-1022，20L-1122，20S-112，8，11S-124，20，16，10注：1 上述各损伤情况均分为四种损伤程度(损伤程度定义为损伤后刚度与未损伤刚度的比值)，为 90%，75%，60%，50%；2 桥塔单元编号按从下到上为 1 至 12，图 4 中右塔单元编号带撇号；3 主梁单元编号如图 4 所示，拉索单元编号与主梁相同。表 2 神经网络测试样本编号12345678910111213141516损伤子结构桥塔桥塔桥塔桥塔主梁主梁主梁主梁主梁主梁拉索拉索拉索拉索拉索拉索损伤单元号6677101025253，618810102

14、5253，6188损伤程度（%）609595507560955060609550756095504.2 概率神经网络的损伤识别结果比较本文在识别精度和受噪声影响两方面对概率神经网络的损伤识别效果进行分析。概率 神经网络输入层为二十个节点，输出层为三个节点，训练中平滑系数 取 2.0。概率神经网络的训练时间非常短，这是因为概率神经网络是不需要训练的，所谓的训练，只要将各类的训练样本作为输入层与模式层的权值即可，并且所有类都采用同一平滑系数 。 在不计测量噪声时，概率神经网络的识别结果如表 3 所示。从表中可以看出概率神经网络在识别第七个测试样本时发生错误，而其他测试样本的识别结果都是正确的。在不

15、计测 量噪声时的识别精度都很好，达到 93.4%表 3 不计噪声影响时概率神经网络识别结果编号12345678910111213141516损伤子结构桥塔桥塔桥塔桥塔主梁主梁主梁主梁主梁主梁拉索拉索拉索拉索拉索拉索概率神经网络桥塔桥塔桥塔桥塔主梁主梁拉索主梁主梁主梁拉索拉索拉索拉索拉索拉索在考虑噪声影响时，分两种情况讨论。一种情况为网络训练时都使用不加噪声的样本，而测试时使用加入不同噪声水平的样本；另一种情况为训练和测试时均使用加入不同水平噪 声的样本，训练和测试时使用的噪声水平是相同的。所有测试结果列于表 4。表 4 考虑噪声影响时概率神经网络识别结果噪声水平 =0.01 =0.02 =0.

16、05 =0.10概率神经网络无噪声训练85.9%80.9%71.6%58.4%有噪声训练90.6%87.5%80.6%71.6%注：表中数据为正确识别率，即正确识别样本数与总的测试样本数的比值从表中可以看出，在训练时加入噪声的测试结果要明显好于训练时未加噪声的测试结 果，在各种噪声水平下其正确识别率均有提高；无噪声训练时，概率神经网络在噪声水平比 较低时（ 0.02 ）的识别效果比较好，大于 80%，而在噪声水平较大时（ = 0.10 ），正确识别率较低，只有 60.0%左右；有噪声训练时，概率神经网络的正确识别大于 80%时噪声水平可以放大到 5%。5.结论通过本文研究，可以得出以下结论：（

17、1）概率神经网络应用于斜拉桥子结构损伤识别的可行的。在噪声水平低于 0.02 时， 正确识别率都超过 85%。（2）概率神经网络在训练时间上非常具有优势，它适用于需要及时，快速识别出损伤 结果的在线监测系统。（3）将概率神经网络用于结构损伤识别是一个很有潜力的研究课题。提高噪声水平较 大时的识别精度等是今后的研究方向。参考文献1 陈素文，李国强. 人工神经网络在结构损伤识别中的应用J. 振动、测试与诊断, 2001, 21(2): 116-124 2 姜绍飞，倪一清等. 基于概率神经网络的青马悬案桥损伤定位的仿真研究J. 工程力学, 增刊, 2001:965-9693 王柏生，倪一清等. 用概

18、率神经网络进行结构损伤位置识别J. 振动工程学报, 2001, 14(1): 60-64.4 袁万城，崔飞等. 桥梁健康监测与状态评估的研究现状与发展J. 同济大学学报, 1999, 27(2): 184-188 5 李忠献，杨晓明. 应用人工神经网络的大型斜拉桥子结构损伤识别研究. 地震工程与工程振动, 2003,23 (3): 92-99.6 Specht DF. Probabilistic neural networkJ. Neural networks, 1990, (3): 109-118. 7 Teuvo Kohonen. The Self-organizing MapJ. Neu

19、rocomputing, 1998, 21: 1-6.8 ChungBang Yun, Eun Young Bahng. Substructural Identification Using Neural NetworksJ. Computers andStructures, 2000, 77: 41-52.9 荆龙江，项贻强. 基于模态分析技术的大跨度斜拉桥主梁损伤识别J. 中国铁道科学, 2007, 28(6): 54-59Substructure Damage Identification of Cable-stayed BridgesBased on Probabilistic Neu

20、ral NetworkYang Xiaoming, ShiDanLiaoning Technical University, Liaoning, Fuxin (123000)AbstractIt is an active research subject in recent years that the artificial neural network has been used onstructure damage identification. The probabilistic neural network is suitable to pattern classification.

21、In this paper, a method of substructure damage identification and the theories of probabilistic neural network are introduced firstly.Then, the numerical simulation for the damage identification of a cable-stayed bridge is carried out using probabilistic neural networks, in which the training simple

22、s and test simples are under noise-free and including the noise.Finally, identification precision and noise effect of the neural networks are compared. According to the analysis above, the conclusion is given that the probabilistic neural network is suitable to substructural damage identification of cable-stayed bridges.Keywords: artificial neural network; probabilistic neural network; substructure; damage identification;noise