考慮傳感器故障的結構損傷一、選題依據（包括本課題國內外研究現(xiàn)狀，研究的理論與實際意義，對科技、課題研究的目的與重大土木工程基礎設施是確保國民經濟穩(wěn)定、可持續(xù)發(fā)展的物質基礎，它們的健康狀況和安全性評價更是人民生命和安全的重要保障，然而，實際中往往由于結構設計時考慮欠周全，設計標準偏低，且施工時受到材料、幾何尺寸、環(huán)境等影響；營運過程中未采取科學、合理的養(yǎng)護措施，加之材料與結構的老化，所處環(huán)境的變化以及自然如、火災或者人為破壞等，在這些因素的共同作用下，土木工程基礎設施的使用受到了嚴峻的挑戰(zhàn)[1]。與此同時，相應的土木工程事故也時有發(fā)生，如2001年1月7日，曾被十大標志性建筑，號稱“亞洲第一拱”的長江上游宜賓市南門大橋17對承重鋼纜吊桿中的四對突然斷裂，導致大橋兩端發(fā)生坍塌，造成3車墜江、1船被毀、2人、2人、多人受傷的悲劇，而該橋從建成通車至垮塌事故的發(fā)生還不到12年。長江大橋使用至今已有47年，先后被過往的船舶撞擊73次，橋梁的安全性和剩余令人擔憂。境內的黃石長江大橋199512月開通至今，使15，橋梁具有眾多裂縫，已經有明顯的不的安全問題令人擔憂。西直門立交橋，使用不到19年，就已報廢重建。一些混凝土橋使用不到10年，便因損害加劇而需進行加固處理甚至拆除重建[2]。這一系列慘痛的教訓都向警告著結構健康檢測的重要性和迫切性。近些年，國內外大力研究并發(fā)展以結構動力檢測與無線檢測為特征的現(xiàn)代質量檢測與監(jiān)測技術，開發(fā)了一些復雜結構健康監(jiān)測系統(tǒng)。但是，現(xiàn)在結構健康檢測主要用于一些大型和復雜的結構，由于結構質量、體積大，結構復雜，所以結構健康檢測系統(tǒng)是由大量的布置于結構不同位置的不同類型的傳感器組成。由于傳感器的種類和數量都是很龐大的，這就使得傳感器到的數據量隨時間的增加而不斷的增多，因此，大型結構健康檢測系統(tǒng)的數據是海量的，另外，由于這些大型結構常常具有大量的冗余度，而對實際結構實測得到的數據也具有大量的測量誤差和橋梁有限元模型的建模誤差。而且，大型健康監(jiān)測系統(tǒng)往往根據多傳感器測量數據的變化，從而判斷結構健康狀態(tài)的變化，但是傳感器測量數據的變化可能是由傳感器故障、結構損傷、環(huán)境因為因素引起[3]。因此，如何有效地利用來自結構健康監(jiān)測系統(tǒng)得到的帶有冗余性、噪聲和不定性的海量數據，對其進行特征提取，以得到結構損傷識別的特征參數，進而對結構的健康狀況和工作狀態(tài)進行評估是當前研究的熱點和難點[4]。此外，結構的損傷檢測問題在數學上常常轉化為優(yōu)化約束問題，而傳統(tǒng)的優(yōu)化方法對問（PSO在約束問題優(yōu)化上具有收斂速度快的優(yōu)點，但是在算法的后期階段容易陷入局部最優(yōu)，因此如何利用改進的PSO有效地融合多傳感器測量結果，去除冗余信息，并且結合模態(tài)參數、物理參數，準確地識別損傷在結構健康監(jiān)測領域具有重要的意義。結構損傷識別的研究損傷識別是土木工程健康監(jiān)測系統(tǒng)的技術，雖是熱點也是難點。結構的損傷識別通常是結合敏感度分析和優(yōu)化算法以減少實測振動數據和分析數據之差為優(yōu)化目標，從而進行結構損傷。損傷檢測的方法按照所承受荷載的類型分可分為基于靜力的檢測方法和基于振動的檢測方法；從損傷方法對結構是否產生損壞來分，可以分為有損檢測和無損檢測；從檢測方法的智能化程度來分，分為傳統(tǒng)損傷檢測方法和基于計算智能損傷檢測方法。傳統(tǒng)的檢測方法（如人工目測）和無損檢測方法(如超聲波、聲發(fā)射、_射線等)均是對結構的局部損傷進行檢測，難以評價結構整體性能[5]。靜力檢測方靜力檢測方法一般將結構試驗的結果與初始模型分析結果進行綜合比較，通過優(yōu)化約束條件，不斷地修正模型的某些參數，使測試值與分析值最大程度地吻合。根據修正后的模型與修正前模型的比較得到結構參數變化的信息，從而對結構健康狀態(tài)進行評估。常用的靜力參數有風度、位移、應變、殘余力、彈性模量、單元面積及慣性矩等。靜力檢測方法的優(yōu)點點在進的時候需人為的施荷載，現(xiàn)測試的工量較大并沒有辦法時監(jiān)測、實時分析、實施評估[6]。目前存在的無損檢測技術主要包括、染色法、發(fā)射光譜法、回彈法、聲發(fā)射法滲透試驗法、射、脈沖回波法、磁力子法、磁擾動法、渦流法等等[7]動力檢測方由于振動數據容易測得，而且傳感器能夠布置在難以接近的位置，從而通過振動測得數據評價結構的整體性能，因此，基于振動損傷檢測方法愈來愈受到眾多學者的關注。結構的損傷識別的基本原理是根據結構振動的參數，如：質量、剛度、阻尼、自振頻率、振型和阻抗等來判別是否損傷、損傷位置、損傷程度、結構的剩余。現(xiàn)有的很多損傷檢測方據其變化可初步定位結構的損傷[8]。不可否認，單憑借固有頻率的變化不能精確定位結構的損傷且無法評價損傷程度。隨著損傷研究的不斷拓展，振型、模態(tài)應變能、模態(tài)柔度矩陣等指標被廣泛應用于結構的損傷檢測中。其中，振型與固有頻率結合比單用固有頻率或者振型損傷識別更好[9]?；谀B(tài)應變能的損傷檢測方法在多損傷條件下仍然有助于準確定位損傷，具有工程實際應用價值[10]。例如，等人利用模態(tài)柔度矩陣對角元素的相對變化率和曲率定位連續(xù)梁的損失，證明該方法在能夠在觀測噪聲條件下較為準確的定位損傷[11]。盡管如今已經有很多基于振動響應和系統(tǒng)動力參數的損傷檢測方法，但是結構損傷的復雜性以及影響因素的不確定性，這類方法的應用仍然存在。因此，基于多種學科的交叉，利用先進技術，如信號處理、模式識別、人工智能、控制理論等，方可能提高結構損傷檢測的準確性[12]，從結構的振動中提取數據并優(yōu)化具有高靈敏度的損傷特征參數對于損傷檢測準確性高具有重要意義可分為模型修和動力法。時域時域法即無需將到的信號在時域和頻域間FT變換，保留實驗測得的時間域內的原始數據，避免了因為T變換引起的截斷誤差和能量，因此時域法能夠高精度地識別頻率和阻尼比[13]。但是時域內的響應信號在其進行變換的過程中往往過濾掉許多有用原始信號特征，相反可能保留了無用的信號。頻域頻域法即把實驗測得的相應數據進行FT變換，通過頻率響應函數、功率譜、結合振型圖分析得到結構的模態(tài)頻率、振型和阻尼等參數。頻率法得到頻率響應頻譜圖直觀、清晰，因此便于從中提取頻率和振型，因此廣泛應用于結構的損傷檢測中，缺點是FT變換必然引起能量的，變換對信號的周期性假設可能導致信號失真[14]。模型修模型修主要是基于實驗測得振動響應數據分析出的模態(tài)參數、加速度記錄、頻響函數等與有限元模型的計算結果的比較不斷地修正有限元模型。通過修正前與修正后模型的比度足測量噪比因修正的型不一解決方有：是少限元模型的度數，如通過縮聚法或者利用邊界條件進行子結構模型修正，也可將不完備實測模態(tài)振型擴展至與有限元模型相同的度；二是通過良態(tài)建模、合理劃分子結構和最動力的常用的動力有：頻率、振型、模態(tài)應變、功率譜、MA(模態(tài)保證標準)、MA(坐標模態(tài)保證標準)等。5）其他無損檢測方法除了以上介紹的基于振動的損傷檢測法，還有多種無損檢測方法，如、光譜（OpticalRadiography、超聲波法、法、激光全息檢測法、渦流法（EddyCurrent、微統(tǒng)計分析技一般土木工程結構都具有體型大、所處環(huán)境及運營條件復雜多變的特點，存在人工激勵難以實現(xiàn)和自然激勵難以測量的問題，這就使得傳統(tǒng)的基于實驗模態(tài)的損傷檢測方法難以應用，而利用結構響應的損傷檢測方法被眾多學者認為是一類具有前景的損傷檢測方法[15]。這一方法是基于時間序列分析的方法，但是往往測量得到的結構動力響應數據不僅，而且樣本數量巨大，所以利用多種統(tǒng)計分析技術對動力響應數據進行降維、特征提取，從而評判結構的健康狀態(tài)具有重要意義。最小均方差估計 最小均方差估計即使得均方差最小，MM[16]獨立性的假設更加準確。在大型的多傳感器結構健康監(jiān)測系統(tǒng)中，同樣需要對傳感器是否發(fā)生進行假設和驗證，因為失效或者發(fā)生故障的傳感器同樣會引起監(jiān)測系統(tǒng)測量結果的變化，但是不能因此認為結構存在損傷。而且，環(huán)境因素（溫度、濕度、風載等）或者人為因素（交通、傳感器位置等）的變化都可能引起系統(tǒng)的改變，而且其改變量往往等同于結構損傷引起的改變量，所以往往被當成是結構損傷引起的變化[3]。因此，如何從系統(tǒng)的測量結果中分離出結構真正損傷引起的變化，從而利用其進行損傷檢測，提高損傷檢測的可靠性和精度尤為重要Jrkiuaa[3]利用分布建立傳感器網絡，基于最小均方差估計（MSE網絡中每一個傳感器信號用其他傳感器對其進行估計，形成各傳感器的條件概率分布，從而用傳感器是否發(fā)生故障的可能性比測試（LT）對于傳感器發(fā)生故障的可能性進行評估和定位，再移除發(fā)生故障的傳感器。該方法具有一定的優(yōu)越性：1）程序簡單；2）分離結構損傷和傳感器故障產生的系統(tǒng)變化；3）損傷和傳感器故障定位簡單。因此，將MSE應用在多傳感器信號的估計上對于檢測傳感器的異常或故障不僅簡單、無偏，精確定位。主成分分析（CA[]是一種通過構造一組新的變量來原始數據空間的統(tǒng)計方法，然后從新的數據空間提取統(tǒng)計特征來表征原始數據特性。通過數據空間的投影轉換，消除變PA從可觀測的顯式變量中提取信息，組成不可直接觀測的隱含變量。其基本思想是通過使方差最大，盡可能多地保留原變量所包含的信息，同時又用盡可能少的變量替代原有變量，從而使問題變得簡單。CA主要是基于正交變換的思想，保留有貢獻顯著的特征向量，每一個特征向量對應一個方差，而這個方差由對應的特征值表示。若一個特征向量所對應的特征值在數據集中代表一個顯著的方差值，則稱該特征向量為這個數據集的一個主成分。在土木工程結構的健康監(jiān)測系統(tǒng)中，往往需要大量的傳感器分布在結構各個位置以測量結構的健康狀態(tài)變化所引起的系統(tǒng)變化，其數據往往是復雜、，所以有必要對測量結果進行降維，并且從中提取有效特征參數作為評估結構健康狀況的特征參數。例如，x()(1,…,m;1,…,)代表測得的結構動力響應，m指測量位置，l指測量樣本。所以在j時刻的測量結果為 已經通過減去ui(tj)(i=1,…,m;j=1,…,l)所得矩陣的平均向量標準化后的結果，從而得到tj時刻測量結果的協(xié)方差矩陣Ω 其中，λi為協(xié)方差矩陣Ω的特征值為特征向量。當所對應的特征值代表了較大的方差時，那么該即是提取得到的主成分。通過主成分分析對結果進行降維，即由m維向量將為d維向量。其中，d是指前d個主成分自回歸模型AR模型[19]即自回歸模型，它是一種線性方法。當已知前n個點，可由模型推出第點前面或后面的數據，性質類似于插值，為增加有效數據，其模型如下代表在第j點結果，為自回歸系數，為服從均值為0，方差為σ 的分布。從該模型可以看出未知參數有和，而根據公式[18]即只要知道了即可在結構損傷檢測中，損傷并不是肉眼可觀察，而需要從基于振動測量得到的結構動力響應中提取對于結構損傷敏感的參數，從而判斷結構是否損傷。ByHoonSon19]等人基于PCA（AR作為損（SPC統(tǒng)計過程控制（SPC（μ，σ23σ（μ-3σμ+3σ中的概率為99.73%，即超出正負3σ圍發(fā)生概率僅為0.27，即為小概率事件，也是不可能發(fā)生的件。因此，采用控制圖對結構的健康狀態(tài)進行判斷的方法如下：根據所提取的結構特征參數在控制圖上打點中，若連續(xù)100個點中有3個或多于3個點超出控制界限，其概率0.27%，即小概率，實際上不可能發(fā)生既然發(fā)生，那么可以認定為結構發(fā)生損傷；若連續(xù)100 個點中，超出控制界的點數不多于2個，判斷結構未發(fā)生損傷。FugateM20]等人將控制圖用于大型結構的損傷識別，并取得良好的效果。其中是將控制圖與時序分析結合起來，即以時序模型參數來構建控制圖的樣本統(tǒng)計量。其基本原理：所提取的特征參數包含了系統(tǒng)的固有特性且為服從正態(tài)分布，若是結構發(fā)生損傷，其總體平均值會會發(fā)生顯著性變化。因此，采用均值控制圖對結構進行健康監(jiān)測。JyrkiKula[]同樣根據AR模型的系數繪制控制圖，用于判斷傳感器在測量結構動力響應時是否發(fā)生故障。其中，若移除假設故障的傳感器，控制圖的模式不發(fā)生變化，那必在該傳感器附近發(fā)生損傷；若是控制圖模式發(fā)生變化，則說明該傳感器發(fā)生故障，同時存在結構發(fā)生損傷和其他傳感器發(fā)生故障的可能，需要循環(huán)估計。其主要流程如下：錯誤警錯誤警

測量數據的檢 感器網是檢檢否模式改變是傳感器故損4新奇環(huán)3多重故 錯1.2.3智能信息處理技智能信息處理就是將不完全、不可靠、不精確、不一致和不確定的知識和信息逐步改變[]。1）神經網絡神經網絡是由許多神經元按照不同的連接方式構成的復雜網絡，每一個神經元都是一個與其相連的所有神經元輸出的累積，總和與神經元的閾值進行比較，若大于閾值人工神經元則被激活。當該神經元被激活時，信號被傳送到與其相連的更高一級神經元[1。運用它自身所具有的自適應、習、聯(lián)想、及模式匹配的能力，通過訓練獲得健康結構和損傷結構所具有的知識與信息，并將之起來，然后將此信息與實測數據進行模式匹配與近數據融數據融合技術是一種近20到廣泛應用。數據融合又稱作多傳感器數據融合或者信息融合，即去除冗余信息，融合多個數據源產生的數據，充分利用不同空間和時間到的信息，基于一定的準則利用計算機技術對信息進行自動分析和綜合，推導出較為準確的信息，避免單個或者少量傳感器的局限性，得到對被對象的一致性的解釋或者描述，同時體現(xiàn)多傳感器系統(tǒng)的效用性。在實際的工程檢測中，由于受到精度、可靠度、噪聲、認為等因素的干擾使得傳感器測量的數據具有不確定性，即運用一定的方法和準則綜合處理多傳感器的信息和數據，從而得出比單一傳感器測量更為可靠的數據和結論。數據融合主要是對各傳感器的可靠度進行判別和評估各傳感器之間的相互關系。多個傳感器的數據融合避免了單個傳感器的局限性，充分利用多個傳感器的有效信息，在部分傳感器性能降低或者失效的情況仍然能夠識別出結構的損傷，而且多傳感器數據融合包含結構不同位置的不同信息，能夠全面描述結構的當前工作狀態(tài)，較有可能正確地對結構損傷做出判斷[22]。[23]。數據級融合是最低的一級，匹配的原始數據經過簡單處理就匯總、直接進行融合，然后對融合的數據進行特征提取和狀態(tài)說明，最后進行識別。該級融合的優(yōu)點是最大地保留了原始數據的特性，但其實時性和性較差。特征級融合是數據融合的中級水平，將每個傳感器的觀測數據進它的決策結果可為決策級融合提供特息，對通信帶寬的要求較低，但由于數據丟失使其準確性有所下降。決策級融合是最高的融合級別。每個傳感器各自完成數據預處理、特征提取、識別或，建立對所監(jiān)測目標的初步結論，而后通過決策級融合，獲得聯(lián)合推斷結果。決策級融合的優(yōu)點是能有效地反映環(huán)境或目標各個側面的不同類型的信息，和基于數據融合技術的結果健康監(jiān)測方法有系統(tǒng)、人工神經網絡、系統(tǒng)與神經網絡（PNN）的推理與能力，運用多傳感器的融合原理，有機地結合神經網絡和數據融合，并將之應用于多層框架結構的損傷檢測，結果表明，該損傷檢測方法充分利用多傳感器數用于傷識合技決法ayes方法、D．S理論和模糊集法等。數據融合除了對多傳感器的測量數據進行融合，還可用于多種損傷指標的融合。等人[27]aes和D-S論數據融合技術對柔度和模態(tài)應變能損傷指標進行融合，柔度法和模態(tài)應變能的相似之處即通過建立損傷指標與結構某一方向外觀尺寸的函數，觀察損傷指標隨結構外觀尺寸的變化規(guī)律，其突變點即位結構損傷發(fā)生位置。結果表明，該融合方法較為精確地定位損傷程度和量化損傷程度，并且利用損傷指標評價方法證實該方法的有效性。但是，ays方DS上進行組合，但是它兼具指數信息復雜度和指數時間復雜度，計算比較復雜。而粒子群優(yōu)化算法（PO）是一種良好的尋優(yōu)函數極值的演化進化方法，其運行簡單、收斂速度快。為提高融合的精度且降低其復雜性，nus..Huan[28]SOPO對具有一定的函數關系模糊知識規(guī)則集和模糊知識進行編碼，第二階段基PSO在模糊知識集、有效性，而且有利于做出決策。[29]等人基于傳統(tǒng)的粒子群優(yōu)化算法[37]，針對其收斂精度,即用該算法估計多傳感因子。結果表明,改進PO能近似最優(yōu)地估計各傳感器的因子使得在地,有效地提取多傳感器中有用的信息排除噪聲干擾,數據融合可以成功避免噪聲干擾取得較高的收斂精度和融合效果。分形理分形理論的本意是不規(guī)則的、破碎的、分數的，可以傳統(tǒng)的幾何所不能描述的一大類無規(guī)則的幾何對象，它通過分形維數在狀態(tài)空間中定量描述、刻畫非線性系統(tǒng)行為的復雜性，從而度量信號的不規(guī)則度。分形理論的研究與發(fā)展揭示了非線性系統(tǒng)中有序與無的，性與隨的人們提全新的與理以前許多難題[]。而土木工程中所遇到的許多問題、難題也恰恰都是非線性的以及復雜的，因此近幾年有部分學者嘗試將分形理論應用于土木工程材料、巖土工程、工程、故障以及結構損傷檢測等領域[-。粗糙集(Roughset粗糙集理論是由波蘭學者Z.aak于1982年一種新的分析數據的數學理論。粗集理論是一種新的處理不確定性信息的數學方法，它能有效地分析和處理不精確、不完整、不一致等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。近些年來，該理論已經在信息處理、自動控制、故障、模式識別、機器學習、決策分析等領域產生了令人關注的應用。粗糙集與其他不確定信息理論相融合，如粗糙集與模糊理論、DS理論、概率統(tǒng)計融合，粗糙集與神經網絡、遺傳算法融合，粗糙集與圖象處理融合等。姜紹飛[7,34]在研究了NN有機地結合在一實際的工程當中，到的往往都是連續(xù)的數據，因，在運用糙集進行性約減前，需要對數據進行離散化的處理，因此，離散化處理便成為了一個關鍵的問題，目前比較經典、快速的算法是K均值聚類方法，但是由于其算法當中初始值選取的隨機性，導致運算的結果易陷入局部極值。遺傳算遺傳算法（GA）是一種基于自然選擇和遺傳生物學系統(tǒng)的自適應優(yōu)化搜索最優(yōu)的方法，于1975由密密執(zhí)安大學的Holland教授提出。它于對生物系統(tǒng)的計算機模擬，基于“適者生存”規(guī)律，通過一系列迭代和計算搜索到適應度最優(yōu)的，即尋找能夠代表最優(yōu)解的。與傳統(tǒng)的優(yōu)化算法相比，遺傳算法搜索范圍較廣，容易實現(xiàn)，不需要梯，[35]利用遺傳算法基于頻響函數進行損傷識別研究，研究結果表明在一定的噪聲水平條件下，仍然能夠準確識別結構多處損傷。，[36]利用多父體變量級雜交和多的情況下最優(yōu)化識別損傷。HongHao[9]等人利用頻率和振型模態(tài)參數，采用遺傳算法對懸臂梁和框架的進行損傷，證明即使分析模型確也能識別出損傷單元位置。以粒子群優(yōu)化算粒子群優(yōu)化算法[37]由Kennedy和Eberhart于1995年基于對鳥群群集和魚群簇擁行為的模擬提出，后來演變?yōu)橐话愕膯l(fā)式探索技術。每個粒子用一個D維的搜索空間代表，即（pi1,pi2,...,piDVi=（vi1,vi2,...,viD。每個粒子調整自身策略飛向自身搜索到的最優(yōu)位置pbesti和全局最優(yōu)位置gbesti，通過最優(yōu)位置和全局最優(yōu)位置最優(yōu)解的不斷 vk+1=vk+crpbestxkc =xk k =x

r1和r2（01c1和c2優(yōu)位置加速度系數，分別指示著的“認知能力”和群體的“社會引導”能力，即探c1=c2=20c1和c2149445算法收斂，但處理多峰值問題，如土木工程檢測中的多損傷問題，容易陷入局部最優(yōu)。相比遺傳算法（GA）,它沒有變異(uain)和交叉（rossovr）等操作，而且各粒子能夠 最優(yōu)和全局最優(yōu)信息，信息單向流動，所以算法較為簡單，容易實現(xiàn)且收斂速度較快。所以，目前粒子群優(yōu)化算法已廣泛應用于函數優(yōu)化、神經網絡訓練、模糊系統(tǒng)控制以及其他GA的應用領域。但是，通過公式分析可發(fā)現(xiàn)，粒子群在達局部最優(yōu)位置附近時，粒子的飛行速度主要由慣性權重和當前速度決定，w通常小于1，甚至停滯不前，即所有的粒子都會趨向于粒子搜索到適應度最優(yōu)點，若該點是一個局部極那么將會陷入局部最優(yōu)，即“早熟”現(xiàn)象，也就是SO只能搜索到適應度最優(yōu)點，而不能搜索到全局最優(yōu)點。但是SO算法在搜索后期階段，粒子的局部搜索能力較弱，易陷入局部最對SO算法存在的不足，眾多學者對其進行改進，主要是為增進種群中粒子的多樣性，保持全局搜索能力和局部探索能力的平衡，從而提高收斂性能和精度。主要的改進方式通常有兩種[38]：1 利用其他技術調整慣性權重值、加速度系數等參2 6.1）參數設置的改1998年Shi[39]等人首次為PSO的速度更新公式引入慣性權重w，并為其提出一個隨著迭 搜索空間。慣性權重w小，收斂速度快且搜索能力強但探索能力弱，容易陷入局部最優(yōu)，反之則是以收斂性能為代價增加解多樣性，而線性遞減的慣性權重w使得搜索由大范圍搜索逐步轉化為小范圍搜索，最終收斂到局部最優(yōu)位置?？傊?，w值的大小關系到全局的收斂能力和局部探索能力的平衡，而且算法的執(zhí)行能力很大程度上依賴于慣性權重的選取。為避免早熟現(xiàn)象，韓江洪[40]等人根據粒子自身的適應度值與平均適應度值、適應度值優(yōu)于平均適應度值的粒子的適應度平均值的比較改進慣性權重，保持慣性權重多樣性，在全局收斂性和收斂速度之間做一個很好折中。但是其中對適應度小于平均值的粒子的慣性權重的改變卻要依賴于新參數k1和k2的選取以及粒子的分散度。線性遞減慣性權重w的應用使得粒子群優(yōu)化算法在一定程度上避免早熟，但是當其用于處理復雜、的非線性問題時，易于陷入局部最優(yōu)且收斂慢。針對帶慣性權重PO由于種群多樣性的喪失導致早問題，且為增進算法的動態(tài)適應性，uaia[41]等人基于當前全局的收斂程度非線性調整慣性權重，經三個基準函數的驗證非線性慣性權重粒子群算法（DWO）優(yōu)于線性慣性權重粒子群算法（DWO[4245]等人于2009至2010沌進適應度值低于平均值的粒子的慣性權重和速度矢量，用動態(tài)非線性函數調整適應度值高于平均值的粒子的慣性權重和速度矢量，利用了混沌逃離局部最優(yōu)的特性和PSO計算速度快的優(yōu)點，該算法拓展了改進PSO算法在關于的適應度函數優(yōu)化問題上的應用。在土木工程檢測中，如基于模態(tài)參數的損傷檢測，往往需要多階模態(tài)損傷識別，由此可見利用混沌改進PSO算法慣性權重不僅一定程度上避免了PSO早熟缺陷，而且拓展了算法在土木工程檢測中的應用范圍。以上對PSO慣性權重的改進，一定程度上算法的收斂性能，使得問題的優(yōu)化保持探索能力和搜索能力的平衡。在實際工程中，健康檢測的問題往往轉化為約束問題優(yōu)化進行求解。[46]等人對PO進行改進，增大算法后期粒子位置的該變量，增進粒子位置的差異性，從而改善了約束問題優(yōu)化時陷入局部最優(yōu)的現(xiàn)象，證明其改進算法優(yōu)于帶慣性權重的粒子群優(yōu)化算法，并且用該算法優(yōu)化關于損傷檢測的目標函數，識別出結構的損傷，最終說明改進的PO算法在健康檢測的領域應用是可行的。6.2）其他PSO算法改PSO算法因種群多樣性的喪失導致早熟和陷入局部的主要缺陷，眾多學者將其與其他的理論結合做了一系列的改進。Yi-TungKao[47]等人提出了遺傳算法和PSO算法結合的A-SONNGA再將完成GA操作的2N2NPSO2N過程中粒子沒有功能，所以喪失歷史信息。相反 算法具有保留最優(yōu)和全最優(yōu)信息的功能，收斂速度快。該算法綜合利用這兩種算法的優(yōu)點，避免了適應度較好的粒子因O算法收斂速度快過早收斂到局部最優(yōu)的缺陷，但是遺傳算法的計算較為復雜，運行此外，有學者將其他學科的理論引入到傳統(tǒng)的PO算法中并提出改進算法，如混沌粒子群優(yōu)化算法(CO)?；煦缡菑V泛存在于自然界的一種非線性現(xiàn)象，混沌運動貌似隨機，卻隱含著精致的內在結構，具有遍歷性、隨機性和對初始條件的敏感等特性，能在一定的范圍內按其自身規(guī)律不重復地遍歷所有的狀態(tài)[48]使逃離局部最優(yōu)，在一定程度上避免早熟。而構造混沌的首要任務是構造一個混沌，目前典型的混沌有三種oisic、Lrnz系統(tǒng)和He [49]。giic混沌在粒子群優(yōu)化算法中應用較為普遍，高鷹[50]等把混沌引入到PO算法中，提出混沌粒子群優(yōu)化算用Loiic產生混沌序列，沌序列中的最優(yōu)粒子隨機替代當前種群中一個粒子，克服了PO算法后期搜索速度慢的缺點，加快了收斂速度，提高優(yōu)化的精度。但是其產生的混沌序列不夠均勻，影響到算法的性能[51]。而以上文獻3538中就是利用混沌改進慣性權重增進的種群的多樣性，使得粒子逃離局的SO，進SO對損傷檢測問題進行優(yōu)化具有一定的意義。為改善SO[52]Junangi和iXao提出多種群多最優(yōu)值的粒子群優(yōu)化算法（SO）[53]。該算法按照各子種群的gest和best到全局最優(yōu)。結果證明，該算法很大程度上克服SO早熟和陷入局部最優(yōu)，但是該算法并未體現(xiàn)各個子種群之間相互交換信息，一定程度上影響到種群的多樣性。由于種群的多樣性不足，未能在算法的探索能力和搜索能力保持一定的平衡，所以，基于多種群的粒子群優(yōu)化算法在解決、復雜問題時還是不能避免陷入局部最優(yōu)。但是，在實際的工程結構傷在提高其收斂速度的同時改進它的效用。于是，JiuzhongZhang和XuemingDing[54]提出基于4個子種的多種群自適應的協(xié)同粒子群算法（MSCPSO。其中多子種群共享搜索到的全局歷該算法的新穎之處在于增進子種群之間的相互交流，充分拓展種群的搜索和探索能力。同樣展O2010年..Go[55]等人提出一種基于競爭與協(xié)作協(xié)同進化粒子群算法（ O。該算法相比CPO算法多了子粒子群之間通過操作競爭程序，而且該算法的機理包括競爭協(xié)同進化和合作協(xié)同進化，分別指子種群之間相互競爭與子種群之間相互交換信息。在協(xié)作進程中，通過結合各子種群的最優(yōu)值以收集到問題的有效的解決方案，子種群每一個孤立的粒子通過與其他粒子的交叉增進自身的多樣性；在為減少算法的計算時間和簡單化運算過程，2011年S.M.eydpor56]提出基于模態(tài)應變能和粒子群優(yōu)化算法分兩階段分別識別損傷的最終位置和確定損傷的程度，研究結果表明該方法可以準確識別多重結構的損傷。其中于第二階段時，僅需要對第一階段所識別出來的最終損傷位置進行編碼，直接去除無損傷單元，加快第二階段粒子群優(yōu)化算法收斂到全局。時，以改的PSO，如多種群的協(xié)同PSO，同樣利用基于模態(tài)指標兩階段識別結構的損傷。在實際工程的損傷識別時，往往需要把結構劃分為成千上萬個單元，所需編碼單元數目較多，所以該方法具有一定實際應用意義。標和要重點解決的問題）研究的主要內基于統(tǒng)計分析技術的動力響應數據基于多傳感器的分布，運用MMSE及LRT（可能性比測試）定位故障的傳PCALRT基于AR基于多種群協(xié)同PSO的數據融合損基于多傳感器的數據融合：表決法、Bayes方法、D- 基于PSO優(yōu)化多傳感器數據融合因子，從而進行數據融合基于多種群協(xié)同PSO的模態(tài)參數識基于多種群協(xié)同PSO的模態(tài)參數損傷識別研究—利用數據融合技術如Bayes方法、D-S理論、數據一致性融合等進行損傷識別模態(tài)參數的融合，使得基于模態(tài)參數的損傷識別研究較為準確；再利用協(xié)同PSO優(yōu)化適應度函數，較為精確地損傷定位和損傷程度評估。研究目為解決因結構動力響應變化可能來源于傳感器故障、結構損傷、環(huán)境變化、人為因素等多種因素而導致?lián)p傷檢測的不可靠性問題，利用MM、C、AR模型、SC等統(tǒng)計分析技術對動力響應數據進行處理，分離且排除傳感器故障、環(huán)境變化、人為因素引起的動力響應變化，提取到單純由損傷引起的動力響應變化，從而提高損傷檢測可靠性和精度。ayesD-S理論、模糊集法等方法對多傳感器測量數據或者多種損傷指標進行融合，或利用協(xié)同PO優(yōu)化多傳感器的因子繼而融合數據，然后基于融合后的數據進行損傷識別，并比較其各自對識別精度和識別效率的影響；結構的損傷必然會導致結構特征參數的改變，因此損傷可以歸結為參數識別問題，即所謂的結構動力學逆問題，PO作為一種優(yōu)化工具可以用來確定與實測數據最優(yōu)匹配的參數（通常該參數是剛度）因此，本文運用改進PO即多種群協(xié)同PO來對結構進行損傷識別，并研究其識別性能及改進方法。擬解決的關鍵分離傳感器故障、結構損傷、環(huán)境因為因素引起的結構動力響應數據的變化。首先利用分布構造傳感器網絡，利用ME定位可能發(fā)生故障的傳感器，再運用CA對獲得的傳感器故障可能性比數據進行降維，然后以CA后獲得的數據建立ARAR基于多種群協(xié)同PSO由于采用多傳感器進行結構損傷測量，所以在進行損傷識別前需對多傳感器測量數據進行融合，這里是利用多種群協(xié)同O進行優(yōu)化各傳感器的因子，繼而融合數據。通常情況下，O算法收斂速度快，但在收斂后期容易陷入局部最優(yōu)，所以這里采用改進多種群協(xié)同PSO，通過多種群之間的相互協(xié)作增加種群的多樣性，使得算法收斂更準確基于模態(tài)多種損傷指標融合損傷檢測研究。這里采用D-S理論對損傷指標頻率、基于協(xié)同O的模態(tài)參數識別技術研究?；陬l率、振型、柔度矩陣、模態(tài)應變能損傷指標往往不能精確識別結構的損傷，所以采用多種群協(xié)同PO僅對基于模態(tài)參數損傷識別出來的可能單元進行編碼，建立關于損傷指標的適應度函數，優(yōu)化目標函數，精確識別結構損傷。研究的基本思對大型復雜結構進行激勵，通過傳感器到結構的動力響應數據，利用統(tǒng)計分析技術對數據進行處理、特征提??；根據動力響應數據獲得模態(tài)參數，然后利用數據融合方法和協(xié)同PO研究的開發(fā)方案和技術路基于統(tǒng)計分析技術的動力響利用統(tǒng)計分析技術提取單純由結構損傷引起的動力響應變化。利用分布構造傳感器網絡，利用MSE、硬件冗余等對可能發(fā)生故障的傳感器進行，并移除發(fā)生故障的傳感器或者初步判斷損傷的位置?；诙喾N群協(xié)PSO的數據融合損針對多傳感器測量數據，通過建立關于實測值和期望值的適應度函數，采用協(xié)同PO優(yōu)化優(yōu)化目標函數，獲得多傳感器的因子，進而進行數據融合，根據融合結果進行損傷識別，并且比較采用多種群協(xié)同PO等改進的SO算法和PO基于多種群協(xié)PSO的模態(tài)參數識根據獲得的結構模態(tài)參數，可采用數據融合方法融合損傷指標，使得基于模態(tài)參數的損傷識別較為準確，并且采用多種群協(xié)同PSO精確識別損傷。主要從以下幾個方面研究：損傷指標、數據融合、PSO、多種群協(xié)同PSO。將基于數據融合的模態(tài)參數識別出來的可能單元交給多種群協(xié)同PSO現(xiàn)有的研究條件和研究基本課題以姜紹飛教授課題組的研究成果為基礎展開研究。課題組已經在利用信號分析與處理、數據融合、遺傳算法、O算法進行損傷識別方面進行了大量的研究，也取得了許多成果。本課題主要在海量數據下進行數據融合處理、基于協(xié)同SO的模態(tài)參數損傷識別等方面展開研究。在本學期的工作當中，已經學會用一個桁架模型為數值算法，采用降低剛度的方法模擬損傷，在單損傷、多損傷模式下，提取結構的前4階頻率和前4階模態(tài)，并在此基礎上添加白噪聲以模擬測量數據，噪聲水平分別取為02、06、1%、12利用模態(tài)應變能初步定位損傷，再利用協(xié)同PO精確定位損傷。在單損傷情況下，取得了令人滿意的識別精度，識別效率。但是，在多損傷模式下，在無噪聲和02%06%噪聲情況下，損傷識別較為精確，在這一方面可結合混沌和其他改進方案進行研究。四、本課題的特色與創(chuàng)新之基于統(tǒng)計分析技術的動力響應數據處理，分離傳感器故障、結構損傷、環(huán)境因素、人為因素引起的動力響應變化?？商崛√卣鲄?、繪制結構健康狀態(tài)下的控制圖，從而結構后期健康狀態(tài)；提取到真正由損傷引起的動力響應變化，從而進行基于改進多種群協(xié)同SO的模態(tài)參數損傷檢測?；诙喾N群協(xié)同O優(yōu)化多傳感器的因子，從而進行數據融合，改善融合效果，使得融合結果與期望值最為接近，利用融合結果進行損傷識別，進一步提高了基于多傳感器數據的損傷識別精度。基于多種群協(xié)同PSO的模態(tài)參數損傷識別研究，從而獲得更加理想的損傷識別效五、參考姜紹飛,.結構健康監(jiān)測與智能信息處理技術及應用[M].:中國建筑工業(yè),,梁宗保.實時監(jiān)測橋梁理論及應用[M].:科學,JyrkiKullaa.Distinguishingbetweensensorfault,structuraldamage,andenvironmentaloroperationaleffectsinstructuralhealthmonitoring[J].MechanicalSystemsandSignalProcessing,2011,25,2976–2989.姜紹飛,.基于粗集與概率神經網絡的數據融合損傷識別方法[D].沈陽:沈陽建筑大學宗周紅,新,阮毅等.土木工程結構損傷研究進展[J].土木工報,2003,36(5):105-,蘇木標,等.大跨度鐵路橋梁健康狀態(tài)評估的統(tǒng)計對比方法研究[J].鐵道學報,姜紹飛,.基于粗集與概率神經網絡的數據融合損傷識別方法[D].沈陽:沈陽建筑大學O.S.Salawu.Detectionofstructuraldamagethroughchangesinfrequency：areview[J].EngineeringHongHao,YongXia.Vibration-basedDamageDetectionofStructuresbyGeneticAlgorithm[J].JournalofComputinginCivilEngineering,2002,16(3):222-229.,.高精度模態(tài)應變能法結構損傷檢測研究[J].鐵道學報,2005,27(5):92-，繆升，.基于模態(tài)柔度法的連續(xù)梁結構損傷識別研究[J].公路工程,周奎 等.土木工程結構健康監(jiān)測的研究進展綜述[J].工業(yè)建筑 39(3):96-,,,宋漢文等.用時域峰值法計算頻率和阻尼[J].振動與沖擊,2001,20(3):5-,姜紹飛.基于神經網絡的結構優(yōu)化與損傷檢測[M].:科學.2002.111-,余嶺.基于時間序列分析與高階統(tǒng)計矩的結構損傷檢測[J].東南大學學報:自然科學版,2012,42(1):137-143..基于 估計的多傳感器目標航跡融合[J].電光與控制,2002,9(2):30-Rong-rongJin,BinXu.StructuralDamageDetectionbasedonPrincipalComponent ysisandHo T2ControlChart[J].InternationalConferenceonCircuitandSignalProcessing,2010,257-262.,張,徐振,孫希寧,孫希寧,

.基 的AR模型參數估計[J].中國ByHoonSohn,JerryA.Czarnecki,CharlesR.Farrar.StructuralHealthMonitoringUsingStatisticalProcessControl[J].StructuralEngineering,2000,1356-1363.FugateML,SohnH,FarrarCR.Vibration-baseddamagedetectionusingstatisticalprocesscontrol[J].MechanicalSystemsandSignalProcessing,2001,15(4):707―721..智能信息處理方法導論[M].:機械工業(yè),] ,等基合傷法J沈筑學然學）21,():0-0., 17-,姜紹飛 等.結構健康監(jiān)測中的數據融合技術[J].沈陽建筑大學學報（自然科,版）,2005,21(1)_18-姜紹飛,張帥.基于模糊神經網絡的數據融合結構損傷識別方法[J].工程力學,2008,25(2):95-姜紹飛,,等基于WPN與數損法J沈筑（學）20,():8-9.,,繆長青等.基于數據融合的結構損傷識別方法研究[J].工程力學,2008,25(1)_16-,AngusF.M.Huang,StephenJ.H.,MinhongWang,JeffreyJ.P.Tsai.Improvingfuzzyknowledgeintegrationwithparticleswarmoptimization.ExpertSystemswithApplications[J].2010,37,8770–8783.,蔣鼎國,鵬等.基于粒子群算法的多傳感器數據融合[J].化工學報,2008,59(7):1703-姜紹飛.結構健康監(jiān)測-智能信息處理及應用[J].工程力學,2009,26(增刊Ⅱ):184-姜紹飛,.分形理論在土木工程領域中的應用[J].工程力學,2009,26(增刊I):148- .結構損傷的分形神經網絡檢測方法[J].振動、測試與,2005,25(4):260-.基于分形的結構損傷檢測方法[J].振動與沖擊,2005,24(2):87-JiangShao-Fei,ZhangChun-Ming,YaoJuan.Eigen-leveldatafusionmodelbyintegratingroughsetandprobabilisticneuralnetworkforstructuraldamageidentification[J].AdvancesinStructuralEngineering-AnInternationalJournal,2008.,.基于頻響函數和遺傳算法的結構損傷識別研究[J].振動與沖擊,建,.基