杨汉青

摘 要：房屋或桥梁等大型建筑物在服役期间或灾后会产生损伤，日积月累则会产生安全隐患，危害人们的生命和财产安全，因此对结构的损伤情况进行识别具有非常重要的工程价值和实际意义。目前，国内外在结构损伤识别领域已经获得了很多优秀的研究成果。本文主要从基于静力参数的损伤识别方法、基于动力指纹的损伤识别方法以及基于智能算法的损伤识别方法3个方面对结构损伤识别方法进行综述。

关键词：静力参数;动力指纹;损伤识别;智能算法

中图分类号：TU317;TU399 文献标识码：A 文章编号：1003-5168（2021）25-0107-03

Review on Research Progress of Structural Damage Identification

YANG Hanqing

（North China University of Water Resources and Electric Power， Zhengzhou Henan 450045）

Abstract： Large buildings such as bridges will be damaged during service or after disasters. Over time， they will produce potential safety hazards and endanger people's life and property safety. Therefore， the identification of structural damage has very important engineering value and practical significance. At present， many excellent research results have been made in the field of structural damage identification at home and abroad. This paper mainly summarized the structural damage identification methods from three aspects： the damage identification method based on static parameters， the damage identification method based on dynamic fingerprint and the damage identification method based on intelligent algorithm

Keywords： static parameters;dynamic fingerprints; damage identification;intelligent algorithm

房屋或橋梁等大型建筑物在服役期间或灾后会产生损伤。结构若发生损伤，则会大大增加建筑物发生事故的概率。当损伤程度过大时，结构表面会产生裂缝，此时仅通过观察就可以判断结构的损伤位置及大概的损伤程度，从而可以及时对结构采取加固等措施以解决出现的安全隐患;当损伤程度较小或发生在内部时，无法通过观察法对结构的损伤情况进行判断，此时需要结合其他方法对结构损伤情况进行判断。目前，国内外较为成熟的损伤识别技术主要是以结构静力参数、动力参数以及各种参数组合作为判别损伤的指标。本文主要对常用的损伤识别方法进行一定的归纳和总结。

1 基于静力参数的损伤识别方法

结构的静力参数变化指的是结构在静力作用下产生的位移、挠度、转角、应力以及应变等变化。该变化与作用在结构上的恒载直接相关，若结构本身发生变化，则在相同荷载下的静力参数也会随之变化。根据静力参数的变化可以分析出结构的变化情况，这种由结构的静力参数对结构的损伤情况进行反分析的方法称为基于静力参数的损伤识别方法。

目前，已有大量学者对基于静力参数的结构损伤识别方法进行了研究，取得了优秀的研究成果，在理论计算和测试精度上均已达到一定高度[1]。SANAYEI等通过对有限元模型施加不同的荷载，分别得到了结构的位移、应变与刚度之间的映射关系，并以上述静力参数对结构的损伤情况进行了识别，结果达到了一定的精度[2-3]。张家弟计算了各种损伤状态下结构的静力位移，以无损伤状态下的静力位移作为基准，通过分析位移的变化，成功地识别了结构的损伤情况，且进一步分析了噪声对识别精度的影响，高精度地识别了整个结构的损伤[4]。

基于静力参数的结构损伤识别方法虽然具有成熟的理论和较高的精度，但仍存在不足，影响其进一步应用。一方面，当用于大型结构时，数据采集较为困难;另一方面，需要建立有限元模型。由于有限元模型与实际结构之间存在误差，因此需要进行模型修正。

2 基于动力指纹的损伤识别方法

目前，对结构进行损伤识别的方法一般都是以建立特征值与损伤之间的映射关系来实现的。应用最广泛且最方便的方法是使用结构的动力特征作为识别损伤的特征参数。由于结构的动力特性与外界任何因素无关，只与结构本身有关，因此将其称为基于动力指纹的结构损伤识别。结构发生损伤后，其刚度会降低，固有频率和振型等动力特征也会随之改变，因此只需要建立动力特征与损伤程度之间的非线性映射，就可以通过相应的实测动力特征计算出结构的损伤情况。

CAWLEY等首次使用固有频率识别结构的损伤，通过理论和试验验证了仅使用固有频率作为参数可以直接定位损伤位置[5]。此外，将固有频率归一化也可以定位损伤[6]。SALAWU使用固有频率及其灵敏度作为参数对结构的损伤情况进行研究，取得了不错的成果[7]。

仅使用固有频率识别结构的损伤无法识别对称结构对称位置的损伤。对于小损伤来说，高阶频率变化明显，但不易获取且精度低，因此学者开始考虑使用其他振动特征或多种振动特征的组合参数识别损伤。

WEST首次使用振型识别损伤，将振型与模态置信准则结合起来对飞机后壁的损伤进行了研究，成功识别了损伤[8]。YUAN将振型差和斜率作为参数成功定位了损伤，并进一步研究发现该方法只适用于小构件结构，对大型结构损伤识别的精度较低[9]。彭华等将曲率差作为识别损伤的参数，通过建立有限元模型提取并计算损伤工况下的曲率模态差，成功地对损伤程度和损伤位置进行了识别预测[10]。杜宇等建立了一个悬臂梁的有限元模型，然后使用其前3阶曲率模态及其变化率作为参数对悬臂梁的损伤情况进行了识别。结果显示，无论哪种参数均能有效识别损伤[11]。

仅使用结构的动力特征作为判别损伤的指标仍然具有一定的局限性：第一，依然需要建立有限元模型;第二，需要结构完好状态下的动力特性作为基准;第三，实测数据受到噪声的影响，需要提高抗噪性;第四，对于不同的结构，模态的选取、测点的位置以及测点的数量都会对识别精度产生较大影响。

3 基于智能算法的损伤识别方法

近20年来，随着计算机技术的飞速发展，涌现出了以人工神经网络为主的各种学习算法。由于它具有优异的非线性分析能力，因而被广泛应用于各个领域。图1和图2分别为用于结构损伤定位和损伤定量时的人工神经网络结构模型。

图1和图2中：x表示用于识别结构损伤的指标参数，通常为与结构损伤直接相关的静力和动力特征或组合参数;a表示第一层神经元的取值，通常与x相同;ω为两层神经元之间的权重，每一层神经元与权重的加权和可以得到下一层每个神经元的值;b为第二层神经元，若结构仅有两层，则b也为输出层，每一个神经元a和b均对应一个偏置值。图1和图2中的激活函数分别取softmax和linear函数。

为了更加高效和精确地识别结构损伤，各国学者逐渐将基于智能算法的损伤识别方法应用于损伤识别领域。陆秋海等提取了悬臂梁位移和应变，并将其分别与神经网络结合，成功地对悬臂梁的损伤位置进行了识别，并对两种参数的敏感性进行了研究[12]。结果表明，应变数据更容易受到测量精度的影响。刘寒冰等建立了一个简支梁的有限元模型，将其曲率模态作为判别损伤的指标，并将其作为神经网络的输入，对结构的损伤情况进行了精确识别[13]。随着科技的发展，由传统的神经网络发展而来的深度学习网络的应用变得越来越广泛。李帛书将曲率模态与径向基函数（Radial Basis Function，RBF）网絡结合，成功地对斜拉桥的损伤进行识别[14]。罗超首先使用MATLAB获得了钢梁的动力响应，随后将其与卷积神经网络结合，成功地对结构的单损伤和多损伤进行了识别且达到了较高的精度[15]。骆勇鹏等人直接以原始振动信号作为一维卷积神经网络的输入，对简支梁模型进行了损伤识别研究。结果表明，该方法对测试集损伤位置和损伤程度具有相当高的准确率且具备一定的抗噪性能，并设计了框架结构试验模型验证了该方法可用于实际结构[16]。此外，有研究先去除飞机发动机的图片噪声，之后结合卷积神经网络，使用图片的方式研究了发动机的损伤，并取得了良好成效，识别率高。

当前，全世界已经步入计算机时代。随着机器学习和人工智能的飞速发展，结构损伤识别技术也得到了空前的进步，识别效率和精度也会变得更加高效和精确，从而将人们从烦琐的工作中解放出来。

4 结语

本文主要从基于静力参数的损伤识别方法、基于动力指纹的损伤识别方法以及基于智能算法的损伤识别方法3个方面对结构损伤识别方法进行了综述，并且对每种方法的优缺点进行了总结和说明，旨在为工程结构损伤识别领域的研究提供一定的参考。

参考文献：

[1]赵展.基于挠度影响线差值和移动主成分法的桥梁损伤识别研究[D].广州：暨南大学，2015：18-19.

[2]SANAYEI M，ONIPEDE O. Damage assessment of structures using static test data[J/OL].AIAA Journal，2012.（2012-05-17）[2021-08-05]. https：//arc.aiaa.org/doi/abs/10.2514/3.10720.

[3]SANAYEI M，SALETNIK M J . Parameter estimation of structures from static strain measurements. I： formulation[J]. Journal of Structural Engineering，1996（5）：555-562.

[4]张家弟.基于静力响应的桥梁结构损伤识别研究[D].武汉：武汉理工大学，2006：1-60.

[5]CAWLEY P，ADAMS R D. The location of defects in structures from measurements of natural frequencies[J].The Journal of Strain Analysis for Engineering Design，1979（2）：49-57.

[6]CHRIS S C. Assessment of SSI on the longitudinal seismic response short span bridges[J].Elsevier，1990（4）：170-175.

[7]SALAWU O S. Detection of structural damage through changes in frequency： a review[J].Engineering Structures，1997（9）：718-723.

[8] WEST W M. Illustration of the use of modal assurance criterion to detect structural changes in an Orbiter test specimen[C]//Proceedings of Air Force Conference on Aircraft Structural Integrity，1984：1-6.

[9]YUEN M. A numerical study of the eigenparameters of a damaged cantilever[J].Journal of Sound & Vibration，1985（3）：301-310.

[10]彭华，游春华，孟勇.模态曲率差法对梁结构的损伤诊断[J].工程力学，2006（7）：49-53.

[11]杜宇，杨涛，何梅洪，等.基于曲率模态变化率的复合材料梁脱层损伤识别[J].固体火箭技术，2021（3）：385-389.

[12]陆秋海，李德葆，张维.利用模态试验参数识别结构损伤的神经网络法[J].工程力学，1999（1）：35-42.

[13]刘寒冰，焦峪波，程永春，等.基于模态曲率理论及神经网络的简支梁桥损伤识别[J].吉林大学学报（工学版），2011（4）：963-967.

[14]李帛书.基于优化智能算法与低阶曲率模态的斜拉桥损伤识别[D].重庆：重庆大学，2019：1-125.

[15]罗超.卷积神经网络在桥梁损伤识别中的应用研究[D].西宁：青海大学，2020：1-64.

[16]骆勇鹏，王林堃，廖飞宇，等.基于一维卷积神经网络的结构损伤识别[J].地震工程与工程振动，2021（4）：145-156.

3611500589271