结构损伤识别的BP神经网络综述

2019-03-28

福建质量管理 2019年16期

(广东工业大学土木与交通工程学院广东广州 510006)

近年来多层、高层建筑及大跨度桥梁的出现给结构健康监测带来一系列问题，如何提取结构的特征用于损伤识别是我们正在面临的重要挑战。为实现这一目标，国内外学者做出了很多成果，神经网络是其中重要的分支。[1]BP神经网络的结构损伤识别方法一般先通过分析各种不同的损伤序列或破坏模态来建立模式库，然后观察实测振动信号的变化，并将它与可能发生损伤的模式数据库进行比较选择最相似的模式。

一、BP神经网络网络的拓扑结构

BP网络的结构设计流程主要包括：输入层神经元数目、隐层的层数及神经元数目、输出层的神经元数目等。理论上已经证明，三层(一个隐层)的BP网络可以任意表达一个非线性连续函数。另外，从误差反传算法中可以看到，误差是通过输出层到输入层反向传播的，层数越多，反向传播误差在靠近输入层时就越不可靠，因此，多数学者倾向认为，用于结构损伤识别的神经网络采用一个隐层已经够了。[2]选择隐层神经元的数目也是一个很重要的问题。若数量太少，网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，难以在人们接受的时间内完成训练，更重要的过多的隐节点还可能出现“过度吻合”问题。

二、输入参数选取

输入参数的选择对神经网络的应用非常重要。在结构损伤识别的建模过程中，神经网络输入参数的选择及其表达形式将直接影响到结构损伤识别的结果。为了使输入参数能有效识别损伤的位置和程度，它必须满足两个基本的条件，即它应该是位置坐标的函数和对局部损伤敏感。此外，作为输入参数，它还应具有易于提取、受环境干扰影响小等特点。神经网络刚开始用于结构损伤识别与检测时，用振动信号作为神经网络的输入，使得网络结构过于复杂且训练时间过长。

三、数据处理的方法和步骤

神经网络所用的样本对网络的性能及实际应用具有至关重要的影响，它可以影响神经网络的学习速度、网络结构的复杂性和网络泛化的精度。对神经网络所用样本集进行数据前处理的步骤一般分为4步：变量(数据)的收集、数据变换处理、特征参数的提取和样本集的构造。

(一)数据的收集

首先要深入调查，了解实际情况与问题，并收集有关的信息，如网络模型中可能的所有输入变量及输出变量、定性描述及定量数据等；其次是向有关的专家和学者请教、咨询或查询有关资料，对于具体结构损伤检测问题而言，输入变量还要求其容易测量、测量结果准确可靠。

(二)数据变换处理

一般来说，数据集中常常存在大量的多维变量数据，它们的数值可能较小但却起着决定性的重要作用。这样就需要对映射样本空间的数据先进行变换处理，删除原始数据中的无用信息，使样本空间映射成数据空间，即进行数据归一化处理。

(三)特征参数的提取

在数据空间上通过某种变换，提取数据中的不变特征，根据问题的需要，决定是否对所选择的模式特征矢量进行量化压缩变换，在尽可能保持信息量基本不变的前提下，在降维空间内选择有用的特征，在所得的降维模式空间提取模式样本的特征信息来形成特征空间。

常用的特征参数提取方法包括：博里叶变换、梅林变换、时频分析、分形维数、向量扩张法、小波分析法、主成分分析法、神经网络方法等。

(四)样本集的构造

样本集的构造与选取对神经网络的训练和推理性能具有相当重要的作用：如果样本数量太少，不能很好他反映问题内在的规律和相互关系，在验证样本集中就不能得到合理的推理结果；如果样本数量过大，不仅增加了网络的学习时间，而且使网络与学习数据太贴近，导致网络的抽取归纳能力下降。目前对学习样本集中的样本数目还没有一个统一的规则和要求。

(五)输出结果及表示方式

神经网络的输出层按照其用途来设计，对结构损伤识别问题，有以下几种形式：

(1)o={o1,o2,…,oi,…,on}

其中oi表示第i单元的损伤程度，其值在区间[0,1]，损伤程度为100%×oi%。n为要检测的单元总数。

(2)o={o1,o2}

其中o1表示损伤位置信息(例如距梁端的距离等)，o2表示损伤程度信息。o1,o2∈[0,1]

(3)o={o1,o2,…,on}

其中，oi=0或1，当oi=1表示发生第i种类型的损伤，当oi=0时表示第i种类型的损伤不发生，n为损伤类型总数.

四、BP神经网络设计的基本方法

(一)输入、输出节点数的选定

BP网络的输入、输出节点数完全根据使用者的要求设计，如果BP网络用作分类器，其类别数m个，那么输入一般取m个神经元，其训练样本集中的Xp属于第j类，要求其输出为Y=(0,0,0,1j,0,0,0m)T，即第1个输出1，其它输出为0，因此对于一个n维输出，X∈Rn进行分类映射Y∈Rn，满足Yi=1(Xp属于第j类)，Yj=0(Xp不属于第j类)。输出神经元还可以根据类别进行编码，即m类的输出只要用log2m个输出节点即可。输入节点还可以根据求解的问题和数据表示的方式而定。总之问题确定后，输入与输出的节点数就随之确定。在设计中应尽可能减小系统的规模，以使学习的时间和系统复杂性减小。

(二)网络层数的确定

大多数通用的神经网络都预先确定了网络的层数，而BP网络可以包含不同的隐层。但理论上已经证明，在不限制隐层节点数的情况下，两层(只有一个隐层)的BP网络可以实现任意非线性映射。在模式样本相对较少时，较少的隐层节点，可以实现模式样本空间的超平面划分，选择两层BP网络就可以了；当模式样本数很多时，减小网络规模，增加一个隐层是必要的，但BP网络隐层数一般不超过两层。