CN103116759A - 一种适用于空间网格结构的损伤识别方法 - Google Patents

Abstract

本发明涉及一种大型结构的损伤识别方法，特别涉及一种适用于空间网格结构的损伤识别方法。首先以整个结构为研究对象进行面向子结构的损伤定位，即根据空间网格结构的组成规律，将其细分成子结构，采用概率神经网络识别损伤可能发生的子结构。然后以整个子结构为研究对象，在缩小的范围内采用面向节点的损伤定位，最后以整个节点为研究对象，将损伤定位到具体的杆件并确定损伤程度。适用于大型结构如桥梁、输电塔、高层建筑等结构形式的损伤识别，尤其适用于节点和杆件众多的大跨空间网格结构的损伤识别，该方法精简了神经网络的结构并提高了其非线性映射能力及损伤识别的效率，具有一定的工程实用价值。

Description

一种适用于空间网格结构的损伤识别方法

技术领域

本发明涉及一种结构的损伤识别方法，特别涉及一种空间网格结构的损伤识别方法。

背景技术

空间网格结构是由杆件及节点按照一定规则组成的空间结构体系，主要有网架结构、网壳结构、组合网架(壳)结构及预应力网架(壳)结构等形式。作为当地的标志性建筑，同时多为灾后重要避难场所，如果发生工程意外事故，轻则造成重大财产损失，重则危害生命，对空间结构的应用和发展都是很不利的，社会影响也极为严重。已建空间网格结构中可能存在缺陷或损伤，这些缺陷或损伤如得不到及时的维护或加固，必将导致工程事故的发生。文献分析和实地调查发现，国内外大型公用设施的空间网格屋盖结构破坏及倒塌的例子时有发生，中小型空间网格屋盖结构的工程事故更是屡见不鲜。根据前苏联研究人员的统计，建筑物的屋盖事故在整个金属结构事故中占37％，其中安装阶段出现的占27％，试验阶段出现的占10％，使用阶段出现的占63％。结构损伤识别和健康监测技术可以探测出结构损伤的存在、位置及程度，并预测结构剩余寿命，日益受到了各国土木界的普遍重视，国内外很多院校和研究机构都开展了这方面的研究。可以预见，如何建立这一类空间网格结构的损伤识别算法从而能够快速准确地识别出损伤的存在、位置及程度以保证结构的安全将具有重大的工程意义。

对于大型结构，如空间网格结构，由于损伤区域预先未知，所有的结构部位都是待检测对象，无损检测的工作量可想而知；然而损伤可能仅仅发生在局部区域，如果能先将发生了损伤的区域确定，则可以使待检测的结构单元数量大大减少，从而降低无损检测的成本，并可提高识别精度。现已有许多比较成熟的损伤识别方法，如损伤指标法、模型修正法、灵敏度分析法、神经网络法等。其中人工神经网络(简称ANN)以其处理信息的并行性、自组织、自学习性、联想记忆功能以及强大的鲁棒性和容错性等优点，被广泛应用。然而，结构健康诊断的现有研究对大跨空间结构的工程应用尚有距离，原因在于空间网格结构的自由度太多，且能够获得的实际测试数据非常有限。基于不完备测试信息的情况下一步直接利用神经网络对整体结构的损伤判定几乎是不可能完成的，比如会出现模拟损伤样本组合爆炸的问题，因此降低神经网络的计算量成为了能否使用该方法的关键。在结构损伤识别中，损伤位置的诊断比损伤程度的诊断更困难，但也更重要。一方面，它可以确定出结构有无损伤或损伤的大致位置；另一方面，在确定出损伤的大致位置后，采用较精密的无损检测设备对该区域进行局部检测。

发明内容

本发明针对上述问题，提供了一种基于人工神经网络技术的适用于大跨度空间网格结构损伤识别的三步定位新方法，通过增加第1步子结构初步定位可大大地减少第2步节点定位损伤训练样本的数量，使计算工作量大大减少，从而增强神经网络技术对空间网格结构进行损伤定位的实用性。该方法精简了神经网络结构并提高了其非线性映射能力及损伤识别的效率，具有一定的工程实用价值。

本发明是通过以下技术方案实现的：

一种适用于空间网格结构的损伤识别方法，提供了一种基于人工神经网络技术的适用于大跨度空间网格结构损伤识别的三步定位新方法，首先以整个结构为研究对象进行面向子结构的损伤定位，即根据空间网格结构的组成规律，将其细分成子结构，采用概率神经网络识别损伤可能发生的子结构。然后以整个子结构为研究对象，在缩小的范围内采用面向节点的损伤定位，最后以整个节点为研究对象，将损伤定位到具体的杆件并确定损伤程度。

上述方法具体包括以下几个步骤：

(1)将空间网格结构按照几何位置连续性的方式划分为多个子结构，任意两个子结构中杆件、节点的布置相同，并对其进行编号；

(2)对空间网格结构进行加速度传感器优化布置，所采用的方法为测点布置优先级综合排序法；通过环境激励、激振器激励或者数值模拟的方式获取空间网格结构损伤前后的频率和振型向量；

(3)训练概率神经网络PNN，具体为通过频率对杆件的灵敏度分析，从每个子结构中选取杆件灵敏度排序前10％且距离子结构中心最近位置的杆件作为训练样本；将选取出的杆件的标准化的损伤信号指标MDSI_i(k)作为PNN的输入参数，输出参数为选出杆件对应的子结构编号；其中标准化的损伤信号指标NDSI_i(k)的计算公式如下：

${\mathrm{NDSI}}_i\left(k\right)=\frac{{\mathrm{DSI}}_i\left(k\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{DSI}}_i\left(k\right)\right|}---\left(1\right)$

${\mathrm{DSI}}_i\left(k\right)=\frac{\left\{{\mathrm{\φ}}_{\mathrm{ui}}\left(k\right)\right\}-\left\{{\mathrm{\φ}}_{\mathrm{di}}\left(k\right)\right\}}{{\mathrm{\ω}}_{\mathrm{ui}}^2\left(k\right)-{\mathrm{\ω}}_{\mathrm{di}}^2\left(k\right)}---\left(2\right)$

其中，式(1)中NDSI_i(k)为第i阶模态的损伤信号指标，i=1，2，…，n，n为实测模态阶数，式(2)中ω_ui(k)和ω_di(k)分别为空间网格结构损伤前后的第i阶频率，φ_ui和φ_di分别为空间网格结构结构损伤前后的第i阶振型，k为实测模态矢量的位置；

(4)初步确定空间网格结构中的损伤样本所在的子结构编号，具体包括，将损伤样本损伤前后的模态信息构造的标准化损伤信号指标NDSI_i(k)作为步骤3中训练好的PNN的输入参数，输出参数为损伤样本所在的子结构编号；

(5)训练广义回归神经网络并进行损伤节点定位，具体为将步骤(4)中识别出的子结构中所有的杆件作为训练样本，将训练样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为广义回归神经网络GRNN1的输入参数，输出为杆件对应节点的损伤指数，对GRNN1进行训练；用损伤样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为训练完毕的GRNN1输入，输出为步骤(4)中识别出的子结构中各个节点的损伤指数，即将损伤样本中的损伤位置定位到损伤杆件所在的节点；所述的节点的损伤指数用于表示与节点相连接的任意杆件是否出现损伤，当输出值≥0.5时即认为节点出现损伤，当输出值＜0.5时即认为节点无损伤；

(6)训练广义回归神经网络并进行损伤杆件定位，具体为，以与步骤(5)识别出的节点相连接的所有杆件作为神经网络的训练样本，以训练样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为广义回归神经网络GRNN2的输入，每根杆件的损伤指数作为神经网络的输出，对GRNN2进行训练；用损伤样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为训练完毕的GRNN2输入，输出为与节点相连的每个杆件的损伤指数，所述的每个杆件的损伤指数用于表示与步骤(5)识别出的节点相连接的特定杆件是否出现损伤，当输出值≥0.5时即认为该杆件出现损伤，当输出值＜0.5时即认为该杆件无损伤；

(7)训练广义回归神经网络并确定损伤杆件的具体程度，具体为，以步骤(6)识别出的损伤样本的不同损伤程度作为训练样本，将训练样本损伤前后的实测频率和振型向量构造空间网格结构损伤特征参数GSDS作为广义回归神经网络GRNN3的输入参数，相对应的损伤程度作为输出，对GRNN3进行训练，将损伤样本损伤前后的实测频率和振型向量构造GSDS作为训练完毕GRNN3的输入，输出为损伤样本的损伤程度，即确定了损伤样本的损伤程度；空间网格结构损伤特征参数GSDS的定义如式(3)所示：

GSDS={DF₁，DF_２，…，DF_p，FCR₁,FCR₂，…，FCR_m}     (3)

DF_i=(Φ^o _i1，Φ^o _i2，…，Φ^o _ip)          (4)

Φ^o _ij＝Φ_ij/(Φ_ij)_max (j＝1，2，...，p)          (5)

FCR_i＝(ω_ui-ω_di)/ω_ui                   (6)

式(3)中p为使用的振型阶数，p≤3；m为使用的频率阶数，m≤5，FCR_i为空间网格结构损伤前后的频率变化率；式(4)中DF_i为第i阶模态对应于p个测试自由度的归一化后的振型向量；式(5)中Φ_ij为损伤样本第i阶模态、第j测试自由度的振型分量，(Φ_ij)_max为损伤样本第i阶模态、第j测试自由度的振型分量的最大值；式(6)中ω_ui和ω_di分别为空间网格结构损伤前后的第i阶频率。

有益效果

本发明的优点及效果是：

1.该发明可以大大减少损伤精确定位时训练样本的数量，从而解决了神经网络技术中的样本组合爆炸问题，增强使用神经网络技术对空间网格结构进行损伤定位的实用性。

2.该发明不仅使得神经网络结构精简并有助于提高其诊断效率，同时，使得对大型结构的损伤识别更为可行，尤其对节点和杆件数量众多的大型空间网格结构具有突出的优势。

3.该发明适合于不完备的模态数据，且只利用低阶模态数据即可准确识别出损伤位置与程度，具有较高的工程应用价值，其中低阶模态为前五阶。

4.该发明选取了仅与损伤位置有关的参数NDSI_i(k)作为输入，因此训练样本理论上可以是任意的损伤程度，这一特性使网络具有良好的泛化能力。

附图说明

图1为本发明的流程框图，其中“Ⅰ”代表“子结构初步定位”；“Ⅱ”代表“节点定位”；“Ⅲ”代表“杆件具体定位及其损伤程度的确定”；

图2为单层凯威特网壳结构模型俯视图，图中“1，2，…，6”为所划分的子结构编号、“黑色实心正方形”为传感器位置、6根杆件(单元号118、123、128、133、138、143)为训练样本；

图3为单层凯威特网壳结构模型左视图；

图4为单层凯威特网壳结构模型子结构1详图，图中数字为节点号及杆件单元号；

图5为单层柱面网壳试验模型图，图中“1，2，…，7”为所划分的子结构编号、“黑色实心圆”为加速度传感器位置(1，25，…，11为加速度传感器所在节点的节点编号)、7根杆件(单元号36、72、108、144、180、216、256)为训练样本；

图6为单层柱面网壳试验模型子结构2详图，图中斜体数字为节点号、正体数字为单元号、及粗实线表示的杆件为损伤杆件。

具体实施方式

本发明的具体实施方式如下：

实施例1

某单层凯威特网壳结构，周边三向铰接支承，杆件全部采用圆钢管，数值模型如图2、3所示。结构中杆件的损伤通过刚度折减进行模拟，而假定其质量不变，模型建模及模态计算均采用数值模拟的方式，即采用有限元软件ANSYS完成。以下为杆件损伤识别步骤：

(1)子结构的划分及编号。注意到其由6个扇面组成，每个扇面不仅杆件个数及类型一致，且受力特点相同，故可将该模型视为由6个子结构组成，编号为：1，2，3，4，5，6。如图2所示。由于每个子结构完全对称，故选择第1个子结构为例进行论述，如图4所示，损伤识别结果可以推广到其他的子结构，杆件损伤样本如表1所示；

表1损伤样本

损伤工况	杆件单元号	节点号	损伤程度
				1	99	3、9	40％
2	116	8、21	60％
				3	147	21、39	65％
4	14	9、10	60％
				5	26	21、22	45％
6	44	39、40	75％

(2)采用测点布置优先级综合排序法对网壳结构测点进行优化布置，图2所示的黑色实心正方形为传感器的具体位置。网壳结构选用前2阶模态，即1阶模态选用X、Z方向的传感器，2阶模态选用Y、Z方向的传感器。采用数值模拟的方式获取空间网格结构损伤前后的频率和振型向量。

(3)训练概率神经网络PNN。进行频率对杆件的灵敏度分析，根据训练样本的确定原则，每个子结构中选择1根杆件的损伤来构造训练样本，如图2中所示的6根杆件(单元号118、123、128、133、138、143)，让训练样本的弹性模量减小50％来模拟杆件的损伤，分别损伤后1阶提取选用X、Z向，2阶模态选用Y、Z向的传感器数据构造NDSIi(k)。输出为子结构编号(1、2、…、6)，如第1个子结构中有杆件出现损伤，则输出为(1，0，0，0，0，0)^T，选择PNN网络进行训练。

(4)初步确定空间网格结构中的损伤样本所在的子结构编号，将表1中的各损伤样本损伤前后的模态信息构造的标准化的损伤信号指标NDSI_i(k)作为步骤3中训练好的PNN的输入参数，输出参数为损伤样本所在的子结构编号；子结构定位结果如表2所示，即将损伤位置定位到其所在的子结构，完成了图1中的第“Ⅰ”步。

表2子结构定位结果

损伤工况	杆件单元号	节点号	损伤程度	子结构识别结果
					1	99	3、9	40％	1(√)
2	116	8、21	60％	1(√)
					3	147	21、39	65％	1(√)
4	14	9、10	60％	1(√)
					5	26	21、22	45％	1(√)
6	44	39、40	75％	1(√)

(5)训练广义回归神经网络并进行损伤节点定位，以步骤(4)定位到的子结构1中所有的杆件作为训练样本，将训练样本损伤前后频率和振型向量的数值计算结果构造NDSI_i(k)作为神经网络的输入，损伤杆件对应的节点损伤指数作为神经网络的输出，采用广义回归神经网络GRNN1进行训练。将表1的损伤样本损伤前后的实测频率和振型向量构造NDSI_i(k)作为训练完毕GRNN1的输入，输出为子结构1中各个节点的损伤指数，即将损伤位置定位到其所在的节点。节点定位结果如表3所示，完成了图1中的第“Ⅱ”步；

(6)训练广义回归神经网络并进行损伤杆件定位，以步骤(5)识别出的节点区域相关联的所有杆件作为神经网络的训练样本，如步骤(5)，仍采用NDSI_i(k)作为广义回归神经网络GRNN2的输入参数，杆件的损伤指数作为GRNN2的输出，对GRNN2进行训练，将损伤样本输入到训练完毕的GRNN2，输出为损伤位置所在的杆件，即将损伤位置定位到其所在的杆件。如损伤工况1初步定位于子结构中第3和9节点处，则认为与该两点相关联的12根杆件中存在损伤，以这12根杆件中损伤程度分别为50％时的频率和振型向量构造NDSI_i(k)作为训练完毕的GRNN2的输入参数，输出参数为这12根杆件的损伤指数，同样，可以构造出其它5种损伤情况下损伤具体定位的神经网络，杆件的具体定位结果如表3所示；

(7)训练广义回归神经网络并确定损伤杆件的具体程度，以步骤(6)识别出损伤杆件的不同损伤程度作为训练样本，将训练样本损伤前后的频率和振型向量构造空间网格结构损伤特征参数GSDS作为广义回归神经网络GRNN3的输入参数，以相应杆件的损伤程度作为输出参数，采用GRNN3进行训练，将损伤样本输入到训练完毕的GRNN3，输出为杆件的损伤程度，即识别出杆件的具体损伤程度。如损伤情况1识别出的损伤杆件为第99杆，以该杆损伤程度分别为30％、35％、45％、50％时构造结构损伤特征参数GSDS形成神经网络的训练样本，输出参数为该杆件的损伤程度，即0.3、0.35、0.45、0.5；同理，可以构造出其它类种损伤情况下的损伤程度识别神经网络，通过这些神经网络，上述6个损伤样本均能准确地识别出杆件的损伤程度。损伤程度的识别结果如表3所示，即确定了杆件的损伤程度，至此完成了图1中的第“Ⅲ”步。

表3各种损伤情况下的识别结果

综上所示，最终识别出的杆件损伤程度最大绝对误差仅为1.56％，证明了该发明的实用性及可靠性。

实施例2

某单层柱面网壳试验模型，由157个节点及414根杆件组成，如图5所示。采用正弦激振法对其前3阶模态进行了动力特性测试。以第2个子结构为例，采用杆件拆除的方式模拟结构损伤，试验损伤样本如图6(黑色加粗杆件)及表4所示。

表4损伤样本汇总

(1)子结构的划分及编号。注意到该模型纵向共有7个柱距，且每柱距间结构的杆件个数及类型相似，因此可将该试验模型视为由7个子结构组成，编号为：1，2，3，4，5，6,7。

(2)采用测点布置优先级综合排序法对网壳结构测点进行优化布置，图5所示的黑色实心圆为传感器的具体位置，即在1、25、46等9个节点上布置X向和Z向的加速的传感器，共18个。试验网壳选用结构损伤前后的前3阶模态构造NDSI_i(k)作为PNN的输入参数。

(3)训练概率神经网络PNN。进行频率对杆件的灵敏度分析，根据训练样本的确定原则，每个子结构中选择1根杆件的损伤来构造训练样本，如图5及表5所示，采用理论模拟的方式构造NDSIi(k)作为输入。输出为子结构编号，选择PNN网络进行训练。

表5训练样本

所在“子结构”	单元号	损伤程度
			1	36	50％
2	72	50％
			3	108	50％
4	144	50％
			5	180	50％
6	216	50％
			7	256	50％

(4)初步确定空间网格结构中的损伤样本所在的子结构编号，将表4中的各损伤样本损伤前后的实测模态信息构造NDSI_i(k)作为步骤3中训练好的PNN的输入参数，输出参数为损伤样本所在的子结构编号，子结构定位结果如表6所示，即将损伤位置定位到其所在的子结构，完成了图1中的第“Ⅰ”步。

表6子结构初步定位结果

损伤工况	杆件号	所在“子结构”	子结构定位结果
				A	80,73	2	2(√)
B	80,73,83	2	2(√)
				C	80,65	2	2(√)

(5)训练广义回归神经网络并进行损伤节点定位，以步骤(4)定位到的子结构2中所有的杆件作为训练样本，将训练样本损伤前后频率和振型向量的数值计算结果构造NDSI_i(k)作为神经网络的输入，损伤杆件对应的节点损伤指数作为神经网络的输出，采用广义回归神经网络GRNN1进行训练。将表4的损伤样本损伤前后的实测频率和振型向量构造NDSI_i(k)作为训练完毕GRNN1的输入，输出为子结构2中各个节点的损伤指数，即将损伤位置定位到其所在的节点。节点定位结果如表7所示，完成了图1中的第“Ⅱ”步；

表7节点定位识别结果

注：表中上脚标为“▲”的点是节点定位中识别出来的与损伤杆件不相关联的节点。

由表7看出，除工况B节点定位有出入外其他工况节点均准确定位。与整个子结构相比，损伤初步定位出的可能损伤范围已经大大减小。

(6)训练广义回归神经网络并进行损伤杆件定位，以步骤(5)识别出的节点区域相关联的所有杆件作为神经网络的训练样本，仍采用NDSI_i(k)作为广义回归神经网络GRNN2的输入参数，杆件的损伤指数作为GRNN2的输出，对GRNN2进行训练，将损伤样本输入到训练完毕的GRNN2，输出为损伤位置所在的杆件，即将损伤位置定位到其所在的杆件。杆件的具体定位结果如表8所示。

(7)训练广义回归神经网络并确定损伤杆件的具体程度，以步骤(6)识别出损伤杆件的不同损伤程度作为训练样本，将训练样本损伤前后的频率和振型向量构造空间网格结构损伤特征参数GSDS作为广义回归神经网络GRNN3的输入参数，以相应杆件的损伤程度作为输出参数，采用GRNN3进行训练，将损伤样本输入到训练完毕的GRNN3，输出为杆件的损伤程度，即识别出杆件的具体损伤程度。损伤程度的识别结果如表8所示，即确定了杆件的损伤程度，至此完成了图1中的第“Ⅲ”步。

表8杆件定位及损伤程度识别结果

注：表中上脚标为“*”的点是杆件定位中的不相关杆件。

由表8可得出，各种损伤情况基本能够将大部分损伤进行定位，出现了部分损伤杆件遗漏和错误定位的现象，如83号杆件出现了遗漏。分析原因认为，一方面是由于训练样本数量较多使得神经网络的识别误差增大；另一方面是由于结构模型误差和实测中存在误差，导致识别结果中出现了错误定位。不过，遗漏和错误定位的杆件都在实际损伤杆件附近，这说明所训练的神经网络已经建立起了结构损伤和结构反应之间的较好的映射关系，能够识别出损伤所在的区域。

Claims (3)

1.一种适用于空间网格结构的损伤识别方法，其特征在于包括以下步骤：

(1)将空间网格结构按照几何位置连续性的方式划分为多个子结构，任意两个子结构中杆件、节点的布置相同，并对其进行编号；

(2)对空间网格结构进行加速度传感器优化布置，获取空间网格结构损伤前后的频率和振型向量；

(3)训练概率神经网络PNN，具体为通过频率对杆件的灵敏度分析，从每个子结构中选取杆件灵敏度排序前10％且距离子结构中心最近位置的杆件作为训练样本；将选取出的杆件的标准化的损伤信号指标NDSI_i(k)作为PNN的输入参数，输出参数为选出杆件对应的子结构编号；其中标准化的损伤信号指标NDSI_i(k)的计算公式如下：

${\mathrm{NDSI}}_i\left(k\right)=\frac{{\mathrm{DSI}}_i\left(k\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{DSI}}_i\left(k\right)\right|}---\left(1\right)$

${\mathrm{DSI}}_i\left(k\right)=\frac{\left\{{\mathrm{\φ}}_{\mathrm{ui}}\left(k\right)\right\}-\left\{{\mathrm{\φ}}_{\mathrm{di}}\left(k\right)\right\}}{{\mathrm{\ω}}_{\mathrm{ui}}^2\left(k\right)-{\mathrm{\ω}}_{\mathrm{di}}^2\left(k\right)}---\left(2\right)$

其中，式(1)中NDSI_i(k)为第i阶模态的损伤信号指标，i=1，2，…，n，n为实测模态阶数，n小于等于5，式(2)中ω_ui(k)和ω_di(k)分别为空间网格结构损伤前后的第i阶频率，φ_ui和φ_di分别为空间网格结构结构损伤前后的第i阶振型，k为实测模态矢量的位置；

(4)初步确定空间网格结构中的损伤样本所在的子结构编号，具体包括，将损伤样本损伤前后的模态信息构造的标准化损伤信号指标NDSI_i(k)作为步骤3中训练好的PNN的输入参数，输出参数为损伤样本所在的子结构编号；

(5)训练广义回归神经网络并进行损伤节点定位，具体为将步骤(4)中识别出的子结构中所有的杆件作为训练样本，将训练样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为广义回归神经网络GRNN1的输入参数，输出为杆件对应节点的损伤指数，对GRNN1进行训练；用损伤样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为训练完毕的GRNN1输入，输出为步骤(4)中识别出的子结构中各个节点的损伤指数，即将损伤样本中的损伤位置定位到损伤杆件所在的节点；所述的节点的损伤指数用于表示与节点相连接的任意杆件是否出现损伤，当输出值≥0.5时即认为节点出现损伤，当输出值＜0.5时即认为节点无损伤；

(6)训练广义回归神经网络并进行损伤杆件定位，具体为，以与步骤(5)识别出的节点相连接的所有杆件作为神经网络的训练样本，以训练样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为广义回归神经网络GRNN2的输入，每根杆件的损伤指数作为神经网络的输出，对GRNN2进行训练；用损伤样本损伤前后的实测频率和振型向量构造的NDSI_i(k)作为训练完毕的GRNN2输入，输出为与节点相连的每个杆件的损伤指数，所述的每个杆件的损伤指数用于表示与步骤(5)识别出的节点相连接的特定杆件是否出现损伤，当输出值≥0.5时即认为该杆件出现损伤，当输出值＜0.5时即认为该杆件无损伤；

(7)训练广义回归神经网络并确定损伤杆件的具体程度，具体为，以步骤(6)识别出的损伤样本的不同损伤程度作为训练样本，将训练样本损伤前后的实测频率和振型向量构造空间网格结构损伤特征参数GSDS作为广义回归神经网络GRNN3的输入参数，相对应的损伤程度作为输出，对GRNN3进行训练，将损伤样本损伤前后的实测频率和振型向量构造GSDS作为训练完毕GRNN3的输入，输出为损伤样本的损伤程度，即确定了损伤样本的损伤程度；空间网格结构损伤特征参数GSDS的定义如式(3)所示：

GSDS={DF₁,DF_２，…，DF_p，FCR₁，FCR₂，…，FCR_m}       (3)

DF_i=(Φ^o _i1，Φ^o _i2，…，Φ^o _ip)          (4)

Φ^o _ij＝Φ_ij/(Φ_ij)_max (j＝1，2，...，p)         (5)

FCR_i=(ω_ui-ω_di)/ω_ui               (6)

式(3)中p为使用的振型阶数，p≤3；m为使用的频率阶数，m≤5，FCR_i为空间网格结构损伤前后的频率变化率；式(4)中DF_i为第i阶模态对应于p个测试自由度的归一化后的振型向量；式(5)中Φ_ij为损伤样本第i阶模态、第j测试自由度的振型分量，(Φ_ij)_max为损伤样本第i阶模态、第j测试自由度的振型分量的最大值；式(6)中ω_ui和ω_di分别为空间网格结构损伤前后的第i阶频率。

2.根据权利要求1所述的一种适用于空间网格结构的损伤识别方法，其特征在于所述的优化布置的方法为测点布置优先级综合排序法。

3.根据权利要求1所述的一种适用于空间网格结构的损伤识别方法，其特征在于：通过环境激励、激振器激励或者数值模拟的方式获取空间网格结构损伤前后的频率和振型向量。

Images