[摘要]本文分別對基于動力特性和人工神經網絡的橋梁結構損傷診斷作了簡要介紹，并且介紹了橋梁損傷智能診斷中常用的BP神經網絡模型的結構及其國內外的主要研究成果。敘述了將動力特性參數作為神經網絡的輸入數據，將基于動力特性參數和基于神經網絡的結構損傷診斷方法結合起來應用于橋梁結構的損傷診斷，并對此結合法在橋梁損傷智能診斷方面作了展望。
　　[關鍵詞]動力特性，神經網絡，橋梁損傷，智能診斷
　　引言
　　由于交通運輸事業的發展，我國已修建了大量的橋梁，但值得注意的是有許多已發生老化、損傷現象。隨著時間的推移，橋梁老化、損傷的數量和程度還會繼續增加。對既有橋梁結構進行損傷檢測和評估，充分了解橋梁的實際狀況，及時診斷出局部損傷的位置以及損傷程度，就能使維修人員制定出正確的維修策略，及時修復橋梁結構。結構經過修復后，不僅可以恢復承載能力，延長使用壽命，而且對于避免災難性事故的發生，保障人們的生命安全也有重要的意義。
　　1基于動力特性參數的橋梁結構損傷診斷
　　長期以來，基于動力特性的結構故障診斷方法一直是國際學術界和工程界關注的熱點問題，但至今仍缺乏有效的解決方案。這些研究工作大致可以分為：基于模態模型的解析法和基于神經網絡技術的非線性映射法。
　　從邏輯上講，要進行橋梁結構損傷診斷，首先需要解決損傷識別指標的選擇問題，即決定以哪些物理量為依據能夠更好地識別和標定損傷的位置和程度。從損傷識別能力上，模態頻率、模態振型、應變模態、柔度矩陣等都是很好的損傷標識量，從經濟的角度出發，頻率是工程上最簡單、最經濟、最實用的、最易獲得的模態參數，精度又容易保證。另外，頻率的整體辨識特性使測量點可以根據實際情況進行定制，這些都是基于頻率損傷辨識的優勢所在。而且在實際工程應用中，就有相當成功的應用，完全可勝任損傷的辨識。而對于振型數據，在工程實際中可以通過結構振動測試手段在結構無損傷狀況下獲得，并且精度較高，利用振型數據也可以進行損傷診斷。
　　結構的動態特性是結構的固有特性。任何結構都可以看作是由質量、剛度、阻尼矩陣構成的動力學系統，結構一旦受到損傷或發生故障，結構的物理參數會隨之發生變化，從而導致系統的傳遞函數和模態參數的改變。因此，模態參數的改變可以視為結構損傷發生的標志，利用損傷發生前后結構動態特性的變化來診斷結構損傷的類型、損傷位置以及損傷的程度。結構的任意階頻率變化均包含了結構損傷部分的損傷程度信息，因此，引用結構的低階固有頻率變化量作為判斷結構損傷的特征量是可行的。
　　2基于人工神經網絡的橋梁結構損傷診斷
　　人工神經網絡是在物理機制上模擬人腦信息處理機制的信息系統，其不但具有數值處理的一般計算能力，而且還具有處理知識的思維、學習、記憶能力。神經網絡產生于20世紀40年代，至今已有半個多世紀的歷程。
　　目前應用于結構損傷診斷領域的神經網絡主要為多層前饋性神經網絡(BP神經網絡)。BP神經網絡是當前工程應用最廣泛的一種人工神經網絡。它的最大特點是僅僅借助樣本數據，無須建立系統的數學模型，就可對系統實現由R。空間（n為輸入節點數）到R。空間(m為輸出節點數)的高度非線性映射。故在橋梁損傷診斷應用中，可以直接使用BP神經網絡實現輸入參數與橋梁損傷狀態之間的非線性映射，而無須建立系統的數學模型。而且，這種映射結果的精度一般可由足夠的訓練樣本（由仿真數據得到）來保證。BP網絡是一單向傳播的多層前向網絡。BP算法的學習過程由正向傳播和反向傳播組成。網絡除輸入、輸出節點外，有一層或多層的隱層節點，同層節點中沒有任何耦合。輸入信號從輸入層節點依次通過各隱層節點，然后傳到輸出層節點，每一層節點的輸出只影響下一層節點的輸出。每個節點為單個神經元，其單元特性（傳遞函數）通常為Sigmoid型函數，但在輸出層中，節點的單元特性有時為線性函數。如果輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回通過修改各層神經元的權值使得誤差信號最小。BP網絡可看成是一從輸入到輸出的高度非線性映射。道路、橋梁是國家重要的生命線工程，運用神經網絡對它們展開健康檢測與診斷意義重大。
　　3動力特性參數和神經網絡相結合的橋梁結構損傷診斷
　　對于神經網絡來說，輸入特征參數的選擇對其學習時間和網絡泛化能力影響巨大。神經網絡剛開始用于結構損傷識別與檢測時，用振動信號作為網絡的輸入，使得網絡結構過于復雜且訓練時間過長。Tsou和Shen于1994年運用固有頻率的變化和動力殘余矢量的變化作為BP網絡的輸入來進行損傷檢測，分別用3個自由度的彈簧質子系統和8個自由度的彈簧質子系統來驗證所提方法的有效性。同年，Stephens和Vanluchene描述了一種結構安全狀態的評估方法，該方法使用多個定量指標和BP網絡對經過地震破壞后的多層建筑進行了損傷識別與評估。該方法使用3個經驗性的定量指標即最大位移、建筑物的累積能量耗散、剛度退化作為網絡的輸入，輸出為一個O～1之間的數。用60個樣本數據來訓練神經網絡，32個樣本數據來檢驗神經網絡，并與線性回歸法進行了比較，發現運用神經網絡法的正確識別率比線性回歸法提高了25%。
　　考慮到開裂程度、強度降低程度和使用時間等因素對建筑物性能的影響，王恒棟將開裂程度、強度降低程度和使用時間作為神經網絡的輸入，對舊有結構的性能進行了損傷評估。同年Ma。，i等人用神經網絡來檢驗振動過程中結構參數的變化，他們用相對位移和相對速度作為網絡輸入，恢復力作為網絡輸出，分別用線性系統和非線性系統兩個算例驗證了方法的有效性；他們還于2000年提出了基于神經網絡的非線性系統識別方法。Kaminsk提出了固有頻率的變化作為神經網絡的輸入來近似識別損傷的位置，他研究了數據未處理（固有頻率）、數據處理后（損傷前后頻率變化比、標準化的損傷前后頻率變化比）對損傷定位的影響，同時還討論了不同隱含層單元數對網絡性能的影響。1999年Ni等人研究了輸人參數對用BP網絡進行損傷檢測效果的影響，提出了既考慮頻率變化又考慮模態組分的組合模態損傷指標，并將其作為網絡的輸入進行了損傷定位和損傷程度的預報。同年，王柏生研究了模型誤差對有不同網絡輸入的BP網絡損傷識別的影響，研究發現，用神經網絡進行損傷識別時，模型誤差的影響很小，在訓練神經網絡時用10%的模型誤差是可以接受的。
　　4展望
　　橋梁損傷診斷是一門結合系統識別、振動理論、振動測試技術、信號采集與分析、結構智能控制等技術的學科。而目前的橋梁監測系統中不含結構模型，因而無自動損傷識別的能力。但是根據神經網絡在處理復雜非線性問題時的特點，結合橋梁模型的有限元分析，將其用于橋梁結構健康監測系統的不同部分，可以對服役橋梁進行實時監測。相信基于動力特性參數和人工神經網絡的橋梁結構損傷診斷會有很好的發展前景，而且也將為特大橋梁的實時監測提供可能。
　　參考文獻：
　　1. 吳皓瑩,姜德生;基于藍牙傳感器網絡技術的橋梁健康監測系統[J];傳感器技術;2005年11期
　　2. 吳大宏;基于遺傳算法與神經網絡的橋梁結構健康監測系統研究[D];西南交通大學;2003年