结构损伤识别方法综述

滕志强

(广东工业大学土木与交通工程学院 广东 广州 510006)

由于结构损伤发生部位不定，可能是在局部也可能是结构全部位因此可分为全局损伤识别方法和局部损伤识别方法。局部损伤识别方法有磁场法、超声波法和温度场法等。这些方法需要预先已知损伤的大致位置且可供检查，对于大型复杂及人们不易接近的结构，利用该方法难以进行损伤探测[1]。全局损伤检测方法分为静力和动力两种。利用静力测试数据相对于动力来说虽获取方便且准确、稳定、但其施加荷载工况有限、测量信息少和对实际结构加载困难或不现实等问题是不可避免的[2]。所以，基于振动的损伤识别方法的研究成为了国内外众多学者研究的热点，其基本思想是利用结构物理特性(刚度、质量、阻尼等)与结构动力响应(频响函数、振型等)之间的函数关系来识别和评估结构的损伤[3]。利用这个函数关系，可以将振动参数的变化假设为损伤检测的指标。但这这些方法往往伴随着计算量大、复杂等缺点，神经网络具有强大的数据处理能力被应用到结构损伤识别中，节省了人力物力。下面对其常用的方法做一个研究现状的总结和归纳。

一、基于模态参数的损伤识别方法

(一)基于频率的损伤识别方法

相比于其它模态参数，固有频率更容易测得，且精度高，因此早期很多研究学者研究了关于频率的损伤识别方法[4]。其判断原理是：结构在发生损伤时，质量和刚度减小，引起频率的变化。目前，基于结构固有频率的识别方法的仍存在不足：①通常低阶频率只能确定大的损伤的存在，对小损伤不敏感，而高阶频率对小损伤敏感，但实际工程难以测得高阶频率；②频率作为一个全局的模态参数，往往频率在局部发生损伤时不会表现出太大的变化，因此其对损伤定位精度不高，而用于判别结构的损伤程度就更加难以实现了。

(二)基于振型的损伤检测法

利用振型来判断破损状况比频率法准确，因为在振型中基本上是包含所有的振动信息。但是，振型的获取比频率获取还要难，振型模态的测量误差比固有频率还要大，此外，测量的振动模态经常是不完整的，测量精度比固有频率低。所以，通常先利用固有频率来判断结构损伤是否存在，再利用振型信息来判断损伤的位置。

(三)基于应变模态的损伤识别方法

由应变与位移的微分关系[5]，可以知道应变模态相较位移模态对小损伤更加敏感，而且实际测量时，应变片轻质、黏贴牢固和可用于液态物质的测量等优点受到了广大研究学者的青睐。虽然应变模态的方法克服了敏感性低的缺陷，但在实际损伤识别工作中只有将应变片贴于损伤位置附近才能精确地定位出损伤，因此该方法需要预先分析测点的位置，加大了损伤诊断工作的繁琐性，此外，应变片的测量精度会受到湿地、温度和噪声等环境因素的影响，对于时间的检测可能会受到干扰。

二、基于振动响应的损伤检测方法

基于频响函数的损伤检测法。频响函数比模态参数包含了更多的信息，它是由系统的稳态响应与激励的傅里叶变换的比值得到[6]。直接采用测量得到的频响函数作为损伤识别指标，不会受到参数估计和模态截断引起的误差的影响。有研究学者只需要采用损伤后的结构频响函数虚部,构造结构的损伤检测指示因子,无需对无损模型进行分析，降低了其对损伤监测工作带来的误差[7]。王孟鸿等运用损伤前后的频响函数和主成分分析进行数据处理，获取频响函数夹角作为损伤指标来判断网架结构的损伤位置[8]。

三、基于智能算法的结构损伤识别方法

(一)基于遗传算法的结构损伤识别方法

遗传算法是一种通过参考进化生物学中“物竞天择，适者生存”的现象，来寻找最优值问题的一种进化算法。遗传算法的编码操作保证它在迭代中的每一个解集都能够完整地使用信息。同时，遗传算法只需要计算各可行解的目标值而不需要求目标函数的连续性，不需要梯度信息，具有高效性，使用方便，鲁棒性强[9]。遗传算法存在的不足是它不利于大规模的结构优化设计，所需的样本数量很大。

(二)基于神经网络的结构损伤识别方法

神经网络用于损伤识别的基本原理是：将结构的损伤参数(如模态参数和响应等)作为网络的输入，损伤状态作为网络的输出，构成损伤分类和回归的训练样本集，神经网络对样本集进行训练，建立损伤参数与损伤状态的映射关系[10]。近年来卷积神经网络被应用在损伤识别中，并表现非凡，大大推进了结构健康检测。

四、总结

随着科学发展，检测技术的进步，结构损伤识别方法不断推陈出新，并沿着智能化发展。近些年也取得了令人振奋的成绩，结构在实际服役环境中受到的损伤是复杂多变的，如何将模拟与试验应用到现役结构中还面临着巨大挑战。因此，需要该领域的工作者继续努力探索多损伤指标相结合的检测系统，做到对现役结构进行实时监测方法。