利用概率神经网络进行结构损伤识别的新进展

范进胜++苏英志

【摘 要】对概率神经网络用于结构损伤识别的工作原理进行了阐述，讨论了利用概率神经网络对结构进行损伤识别的进展情况，分析了已有研究中的优点和不足，对将来的研究方向提出了建议。

【关键词】概率神经网络；损伤识别；进展

0 引言

近年来，随着城镇化建设速度的飞速发展，大量高层建筑和大体型的公共建筑在城市里日益增多，这些建筑的安全性直接关系到巨大的社会影响性和经济利益。由于结构原始的缺陷性和意外灾害，这些建筑的部分构件往往会受到损伤，如果能及早发现建筑结构的损伤，并采取加固措施，则可以降低经济损失和避免人员的伤亡。因此，结构的损伤识别技术研究日益受到人们的重视。

神经网络由于具有较强的非线性映射能力和较强的鲁棒性，所以非常适合于模式识别的工作。20世纪90年代以来，国内外学者对基于神经网络进行结构损伤识别的理论和技术进行了大量的研究，并尝试了BP神经网络、RBF神经网络、概率神经网络、模糊神经网络[1]等多种类型。本文对基于概率神经网络进行结构损伤识别的研究进展进行讨论，并对其将来研究方向提出建议。

1 概率神经网络工作原理

概率神经网络（PNN）是由Specht D F[2]在1990年提出来的一种人工神经网络类型。概率神经网络采用的是前向传播算法，用指数函数来取代在神经网络中使用较多的S型函数，和其他反向算法中的试探法不同，它是基于统计原理的概率密度函数的估计法。概率神经网络是把具有Parzen窗口估计量的最小错误率贝叶斯决策放入神经网络框架中，基于贝叶斯决策算法来判断输入向量的类别状态。

Parzen窗口被用来估计核密度估计量的概率密度函数[1]，其表达式如式（1）所示 ：

f■（x）=■■exp[-■]（1）

式中： m是q类中的训练样本数量，p是样本向量的维数，σ为光滑系数，X是输入的待检验样本向量，Xqi是q类中第i个训练样本。

概率神经网络由输入层、模式层、求和层和输出层（竞争层）组成。输入层的神经元个数是输入向量的维数，待分类的向量是其神经元；模式层的激活函数是高斯函数，神经元个数是训练样本的个数；求和层的神经元个数是类别个数，该层的每一个神经元接收与其相连的给定类的所有模式层的输出，将其按不同类别相加；竞争层输出判决结果。

基于概率神经网络进行结构损伤识别的基本思路是首先对结构可能发生的损伤情况划分为若干种损伤模式，然后将从振动信号提取的损伤指标作为网络的输入向量，最后用识别出的损伤模式来判断结构发生损伤的位置。

2 概率神经网络用于结构损伤识别的研究进展

由于小波能量特征可以较好刻划含有噪声的信号特征，所以对结构响应信号进行小波变换，并用变换后的信号能量特征向量作为PNN的输入向量，就构成了松散的WPNN，使其能更有效的进行结构损伤识别。

杨晓楠[3]通过比较小波函数的正交性和双正交性、正则性等特性，选择Mexican cat小波函数对结构加速度时程响应进行小波变换，然后将其作为概率神经网络的输入向量，对美国ASCE提出的一个12自由度的四层钢框架剪切模型进行了损伤识别验证。姜绍飞[4]以小波变换作为动力信号处理工具，采取小波基函数对加速度响应进行处理，提取小波能量作为损伤识别的特征参数，同时利用遗传算法来优化PNN网络模型中的圆滑参数，提出了自适应小波概率神经网络，用小波能量特征向量作为APNN输入向量，并加入不同水平的噪声使其更真实的模拟现实工况，通过对一个框架模型的数值模拟验证了该网络的有效性。王勇[5]利用小波变换对结构动力不同频段信号进行处理，然后作为概率神经网络的输入向量对一四层钢框架进行了损伤识别。文中讨论了小波变换的尺度个数与尺度大小对损伤识别结果的影响。算例表明当小波尺度的选择范围正好对应结构的频率范围时，可以明显提高网络的识别准确性。

为了消除多传感器所采集的信息具有的冗余性，有些学者提出了数据融合技术。翁光远[6]建立了基于小波概率神经网络和数据融合技术的模型，利用ANSYS有限元程序模拟钢筋混凝土悬臂板，用频率变化率作为输入向量对其进行了损伤识别。算例表明，这种WPNN与数据融合的损伤识别方法有良好的容错性。王万平[7]利用数据融合技术进行桁架结构损伤识别，他用Ansys有限元程序建立了桁架结构的计算模型， 然后取损伤前后的前六阶固有频率经过融合技术处理作为概率网络的输入向量，对所建立的模型进行了数值模拟。算例表明，对一处和两处单元发生30%单元刚度折减的损伤情况都有较好的识别效果。

肖仪清[8]应用小波分析提取桥面的一阶振型，从空间换时间的角度导出曲率模态乘子矩阵，将振型转换为曲率模态差，并作为普适概率神经网络的输入参数，对滨州黄河大桥的铝质缩尺模型的有限元模型进行了损伤识别。文中采用模拟脉动风荷载激励斜拉桥振动，得到动力响应参数，使该方法的实用性大大提高。

禚一[9]提出分步损伤识别方法，以天津河北大街混合梁斜拉桥为例，首先采用概率神经网络判定发生损伤的子结构位置，输入向量选用正则化的频率变化率，然后用径向基神经网络对有损伤的子结构中的局部构件进行进一步的损伤位置和程度的识别。采用这种组合网络进行分阶段的损伤识别效率较高，特别适用于大型结构的损伤识别。通过分步识别法，减少了每次损伤识别都要对所有构件同时进行损伤程度判定的工作量，也使识别的精度和准确性有了很大的提高。

3 结论

（1）概率神经网络对训练样本的工况代表性较高，如何使训练样本全面包含可能出现的所有损伤类别对于损伤识别的准确性非常重要。因此训练样本的数量必然庞大，需要极大的存储空间；

（2）输入向量的选择对于概率神经网络的损伤识别效果也非常重要，在不同的结构类型下如何合理的选择小波变换函数和数据融合技术，使测得的动力信号可以得到最优化的处理需要更深入的研究。

【参考文献】

[1]姜绍飞.基于神经网络的结构优化与损伤检测[M].北京：科学出版社，2002.

[2]Specht D F.Probabilistic neural networks[J].Neural Networks，1990，3：109 -118.

[3]杨晓楠，姜绍飞，唐和生等.小波函数的选择对结构损伤识别的影响[J].沈阳建筑大学学报（自然科学版），2005，21（6）：635-639.

[4]姜绍飞，张帅，杨晓楠，等.自适应小波概率神经网络损伤识别方法[J].沈阳建筑大学学报（自然科学版），2006，22（1）：45-48.

[5]王勇，杨俊青，肇启才，等.小波尺度选择对钢结构损伤识别的影响[J].山西建筑，2007，33（30）：99-100.

[6]翁光远，王社良.悬臂板损伤数值模拟试验与WPNN识别（下转第68页）（上接第51页）方法[J].西安工业大学学报，2009，29（3）：290-293.

[7]王万平，翁光远，申伟等.桁架结构损伤识别的数据融合方法研究[J].工业建筑，2012，42（12）：129-132.

[8]肖仪清，李成涛.基于曲率模态和神经网络的斜拉桥损伤识别[J].武汉理工大学学报，2010，32（9）：275-279.

[9]禚一，王菲.基于人工神经网络的混合梁斜拉桥智能诊断方法研究[J].铁道工程学报，2011，（12）：57-63.

[责任编辑：杨玉洁]