结构健康监测-智能信息处理及应用

《结构健康监测-智能信息处理及应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

结构健康监测一智能信息处理及应用一第18届全国结构工程学术会议特邀报告一+姜绍飞(福州大学土木丁=程学院。福建，福州350108)摘要：经济的发展和科技的进步使许多大型结构得以兴建。如何对这些大型结构的健康状况进行监测、日常管理以便在结构发生事故之前提前预警，以减少灾害的损失成为目前人们关心的问题。大型结构健康监测系统的开发为这个问题提供了一种有效的方法。然而，大型结构具有较多的结构冗余度和环境荷载的小确定性：此外，来自监测系统的海量数据也包含大量的噪声和不确定性。如何合理有效地处理来自健康监测系统海量不确定测量数据与信息，进而对结构的健康状况进行评价成为国内外同行关注的热点和难点。智能信息处理是近几年发展起来的新型信息处理技术，它是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变为完全、可靠、精确、一致和确定的知识和信息的过程和方法。它的出现和发展为以上难题提供了一条途径和技术保障。基于此，本文从结构健康监测涉及的以上主要问题入手，对智能信息处理技术从现代信号处理、神经网络、模糊理论、数据融合(信息融合)、分形理论、粗糙集、进化计算等方面对它们在结构健康监测与损伤诊断领域取得的研究成果进行了归纳总结，并对今后该领域需要进一步开展的工作进行了探讨和展望。研究发现，智能信息处理是结构健康监测与检测领域的有效技术和今后发展趋势。关键词：结构健康监测：智能信息处理；应用进展；损伤识别中图分类号：TP274；TP317．5：下P’183STRUCTURALHEALTHMoNITORING—INTELLIGENTINFORMATIONPROCESSINGANDAPLLICATIoNJ1ANGShao．fei(CollegeofCivilEngineering,FuzhouUniversity,Fuzhou,Fuj诅n350108，China)Abstract：Anumberoflarge-scalecomplexstructureshavebeenbuiltduetothedevelopmentofeconomyandscienceandtechnology．ItisaninterestedissuehowtomonitorandmanagetheselargestructuresSOthatthealarmwillbeprovidedandthedisasterlOSSwillbedecreasedtobetheminimumbeforevariOtISaccidentsoccur．Asaresult，itprovidesanefficientmethodthatnumerouslargelong-termstructuralhealthmonitoringsystemshavebeendevelopedandinstalledinChina．However，itisgraduallybecomingafocusanddifficultyhowtodealwithhugeandabundantmeasuredinformationeffectivelyfromastructuralhealthmonitoringsystemthusassesstructuralconditionstates．Inviewofthis，intelligentinformationprocessing，whichisaprocessoftransformingtheincomplete，imprecise，inconsistentanduncerntaininformationintocomplete，precise，consistentandcertaininformation，providesallapproachandtechniqueassurancetosolvetheabovedifficulties．Thispaperisstartedwiththestructuralhealthmonitoringanditsprimaryissues，asurveyandoverviewisprecededwiththeintelligentinformationanditsapplicationinstructuralhealthmonitoringanddamagediagnosis，whichincludesmodemsignalprocessing，neuralnetwork，fuzzytheory，data／informationfusion。fractaltheory,roughsetandevolutionarycomputmion．Furtherresearchinthefuturearediscussedfinally．Thisstudyshowsthatintelligent‘摹会项}1：国家自然科学摹金{50408033．50878057)：福建高校优秀人才计戈JJ(XSJRC2007．24)：教育斋(f重A(208064)和福建教育rJ‘重点项∈I(JA07002)研者简介：‘姜绍℃(1969一I·男·Ih尔人．特聘教授．博t后．博导．从事结构健康监测、防震减灾与组合结构疗向的研究(E．marl璺曼琏鲍!殛翊M塑J·I．045· informationprocessingtechniqueisoneofefficientprocessingtoolsandtechniquesinstructuralhealthmonitoringanditisalsotrendinthefuture．Keywords：structuralhealthmonitoring；intelligentprocessing；state·of-the—art；damageidentifica‘-tion1引言随着经济的发展和科学技术的进步，许多大型复杂工程结构得以兴建，如超大跨桥梁、用于大型体育赛事的超大跨空间结构、超高层建筑、大型水利工程、海洋平台结构以及核电站建筑等，它们的使用期长达几十年、甚至上百年，环境侵蚀、材料老化和荷载的长期效应、疲劳与突变等灾害因素的耦合作用将不可避免地导致结构和系统的损伤积累和抗力衰减，从而在极端情况下引发灾难性的突发事故。为了保障结构的安全、可靠，许多在役重大工程结构和基础设施急需采用有效的手段监测和评定其安全状况；新建的大型结构和基础设施在总结过去经验的基础上增设了长期健康监测系统，以监测结构的服役安全状况。结构健康监测已成为国际土木工程领域的前沿研究方向【l训。结构健康监测系统主要由4个子系统组成(图1)。①传感器系统，包括加速度计、风速风向仪、位移计、温度计、应变计、信号放大处理器及连接介面等。②信息采集与处理系统，包括信号采集器及相应的数据存储设备等。安装于待测结构中，采集传感系统的数据并进行初步处理。③信息通信与传输系统，包括网络操作系统平台、安全监测局域网与因特网的连接等。④信息分析与监控系统，采集并处理过的数据被传输到该子系统，它包括高性能计算机及分析软件。利用具备损伤诊断功能的软硬件分析接收到的数据，判断损伤的发生、位置和程度，对结构健康状况做出评估，如发现异常，发出报警信息。一个结构健康监测系统的优劣主要由以下3个因素决定：(1)传感器的灵敏性和精度，以及数据传输和采集设备的性能；(2)测点的空间分布，即传感器的最优布置问题；(3)澳fJ试数据的分析处理。I筷壁卜有限l数据库卜一元爱塘栩氆强安全lItllll芷与箍承l数据席I-健l与掇譬谚撕住蠹分析与鼍控不娩图1大型空间结构健康监测系统示意图Fig．1Diagramofalarge·scalespatialstructuralhealthmonitoringsystem从目前的发展与研究成果来看，高性能的智能传感器元件和信息采集装备越来越多地在工程中得到应用[S-lO]：传感器的优化布置难题逐渐被一些大型复杂结构健康监测系统的开发所攻克和解决【1l-161。目前的技术难题是如何对来自健康监测系统的海量测试数据进行分析、处理，进而对结构的健康状况进行监测、日常管理以便在结构发生事故之前提前预警，以减少灾害的损失。然而，大型结构具有较多的结构冗余度和环境荷载的不确定性；此外，来自监测系统的海量数据也包含大量的噪声和不确定性。因此，如何合理有效地处理来自健康监测系统海量不确定测量数据与信息，进而对结构的健康状况进行评价成为国内外同行关注的热点和难点。智能信息处理是近几年发展起来的新型信息处理技术，它是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变为完全、可靠、精确、一致和确定的知识和信息的过程和方法【17】。它的出现和发展为以上难题提供了一条途径和技术保障。智能信息处理涉及到信息科学的多个领域，包括现代信号处理、神经网络、模糊理论、进化计算、数据融合(信息融合)、分形理论、粗糙集等，下面对智能信息技术在结构健康监测中的应用进展进行介绍。·I．046· 2智能信息处理及其在健康监测中的应用结构健康监测是采蹦现场的无损传感技术和结构特性分析手段来探测和揭示结构状态退化或损伤发生的过程。从实测物理量的不同，结构健康监测与损伤检测方法可分为静力识别和动力识别两大类11弘26J。静力识别法一般将结构试验的结果与初始模型分析结果进行综合比较，通过一定的条件优化约束，不断地修正模型的某些参数，使测试值与理论值最入程度地吻合，从而得到结构参数变化的信息，达到对结构健康状态评估的目的【22五31。常用的静力参数有刚度、位移、应变、残余力、弹性模量、单元面积及惯性矩等。动力识别法的理论是认为损伤将改变结构的刚度、质量或耗能能力，从而引起所测结构动力特征或响应的改变。从应用的角度看，动力识别方法可分为【18,22-26]：(1)指纹分析或模式识别法，目前常用的动力指纹主要有频率、振型、虑变模态／振型曲率、模态柔度、模态应变能、模态保证标准等：(2)模型修正法，常用的方法主要有最优矩阵修正法、灵敏度分析法、最小秩摄动法和特征结构分配法等；(3)计算智能法，它是-不中1t参数系统识别方法。主要有神经网络、遗传算法、模糊理论等：(4)统计分析法，主要有统计系统识别方法、统计模式识别方法等。可以看出，结构损伤检测的核心是模式识别(模式分类)，它是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要绢成部分。典型的模式识别包括数据获取、预处理、特征选择和提取、分类决策及分类器设计五部分组成。其核心和关键是选择有效的特征参数和模式识别方法，它们强烈地影响着模式分类(器)的设计及其性能，也是结构健康监测与诊断的核心和关键。2．1现代信号处理结构健康监测与诊断的核心问题之一是寻找对损伤状态敏感的特征参数或者损伤指标，而这些损伤指标，如基丁频率、振型、曲率、模态柔度、应变能等[18,25-26】，都需要结构的模态特征参数如频率、振型与阻尼等，它们是运用信号处理技术对结构的响应进行系统识别而得到的。噪声的分离和信号分析是特征选择和提取的前期工作，也是结构健康监测十分重要而又困难的首要工作。可以从硬件和软件2个方面进行研究：前者从传感器方面开发更高精度与可靠性、抗噪或干扰的新型传感器如光纤传感器、压电陶瓷传感器等14,727-281；后者研发相应的信号分析和噪声剔除技术，如傅立叶变换、短时傅立叶变换、Wigner-Ville分布、小波／包分析、希一黄变换(HHT)、盲源分离等【l斗20’29。38】，后三者是近一_二十年发展起来的信号处理]i具。(1)传统信号处理技术傅立叶变换(FFT)是频域分析的基本工具，它在频率中具有较好的局部化能力，特别是对于那些频率成分比较简单的确定性信号，很容易把信号表示成各频率成分的叠加和形式；但是在时域中，傅立叶变换没有局部化能力，且只能处理稳态信号。短时傅立叶变换在信号傅立叶变换前乘上一个时间有限的窗函数来处理非稳态信号，得到信号的时变特性，带通滤波器的带宽与中心频率无关。但变化着的不同时间段的信号只能加相同的窗，它不适应信号频率高低变化的不同要求，且时间越长，信号的“局部”平稳性就越难保证。Wigner-Ville分布在一定程度上解决了短时Fourier变换存在的问题，且有明确的物理意义，但多分量信号的Wigner-Ville分布会出现交叉项，交叉项通常是振荡的，而且幅度可以达到自项的两倍，造成信号的时频特征模糊不清。(2)小波／包分析小波／包分析是上世纪80年代发展起来的一门数学和信号处理]：具，它可以进行异常信号检测、信噪分离、特征参数／损伤指标提取、健康检测与故障诊断／损伤识别、小波有限元结构分析等问题，现在已经逐渐被应用剑很多领域II*zU一6'38～1。异常信号检测。结构振动过程中由丁二损伤等原冈会使检测信号出现奇异性或者携带突变信息。信号突变点在时空域的表现具有局部性，它分为以突变中心点局部奇对称的突变点和以突变中心点局部偶对称的突变点两类。若用一个局部奇对称或者一个局部偶对称的小波函数与这两类局部突变信号做卷积，并在突变中一山点附近的局部范闱内观察卷积结果，眦0有奇奇得偶、奇(偶)偶(奇)得奇利偶偶得偶的规律【们I。·I．047" 而小波函数本身满足局部奇对称或偶对称的条件(实质上小波函数的振荡特性即反映了这一条件)，冈此可以通过检测和识别小波变换系数的模极火值点或过零点，就可以确定信号突变点的位置及性质。值得注意的是在突变信号检测识别中要选择合适的小波函数和尺度，还廊该在多个尺度上综合观察和判断突变信号对商的小波变换局部模极人值【36l。Sunctal[46l运用小波的奇异性分析进行轴承的故障诊断，它通过凋整小波系数的极人值。与故障有关的振动信号就突出出来，比较容易与轴承的故障特征频率联系在一起。此外。研究还发现，持有指数在扑捉信号非稳态特征方面非常有效，在识别结构的损伤方面非常敏感14”。噪声在生产实际中是不可避免的，而消噪后的信号通常假定为纯信号，这样残留在信号中的噪声经小波变换后，噪声的奇异性就同信号本身的奇异性混在一起，给识别与检测造成一定的困难。实际上，噪声奇异性和信号的奇异性有截然不同的特性，它们在不同尺度上的小波模数极人值的变化具有不同性质的Lipschtz指数14引。利用这一性质，可以直接从含噪声模态的小波系数中判断出模态的奇异点，从而定位损伤．并依此对损伤程度作出合理的估计。噪声剔除与信噪分离。由丁_结构响应往往是多种信号的替加，因此信噪分离是一项十分重要的r作。传统的信噪分离相当丁．信号通过一个低通或带通滤波器，但时变信号的匹配滤波器设计起来比较麻烦，而且只能得剑某一频段的信息。小波降噪的基本原理是利用小波的多分辨率时频局部化分析特点，在多个尺度卜-把信号中不同频率的成分分解到不同的子空间中去，然后对分解得到的小波系数设定fJ槛值，将低于|’J槛值的噪声成分所在频段的小波变换系数置零，保留感兴趣的频段的小波变换系数，最后重构信号，得到剔除／降低噪声后的信号p6I。可见，从本质上讲，小波降消噪相当于．在信号分解和重构过程中使用一系列高通和低通滤波器进行降噪处理。小波玄噪通常有两种途径：一是通过小波分解，只保留所关心的频带的小波变换结果，将其它通道的变换结果置零；二是在了解噪声成分频率范围的情况下，可以通过将噪声成分所在的频道小波变换系数置零，然后重构合成信号，去除噪声。针对强噪声背景下运用小波提取滚动轴承故障信号的特征效果并不理想．张辉等14lJ提出了将自相关及互相关与小波包相结合的滚动轴承消噪故障诊断方法。该方法对被测信号进行白相关或互相关处理，之后进行小波包闽值消噪处理，对消噪最火能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极人地增强了对滚动轴承故障诊断的能力，能够在强噪声背景卜．有效地提取出滚动轴承的故障频率。Donoho[49-50】开发了小波阈值的软阈值和馒阈值设置技术。千：畚华等人15IJ分析了信号本身的奇异性及噪声奇异性在多尺度上的表现后，给出了如何从含噪声信号的小波分析结果中分辨出缺陷特征与噪声特征，并对含不同噪声水平的各阶模态进行了小波分析，并研究了噪卢对识别结果的影响规律。特征提取与结构损伤识别。小波分析的一个重要作用是进行信号特征提取，通过小波／包分解对平稳／邗平稳信号进行时频分析。在不同细节信号或者逼近信号上提取反映结构状态的特征参数。将原始信号在不同频带内进行分解和重构，在分解得到的高频分量中能够明显地看到损伤引起的突变信号：对重构信号的功率谱密度函数运用谱峰法进行分析，可以较精确地识别出结构的模态参数。十木I：稃结构的前儿阶自振频率处于低频区域以及环境激励．卜．结构响应信号信噪比很低，朱宏平【52】阐述了采用小波分析抑制测量信号中的高频成分(即噪音)，从而提出结构低频特性的降噪处理方法的基本原理，通过比较传统傅里叶变换、短时傅里叶变换平¨小波变换二种方法对一实际高层建筑结构现场测试信号的处理结果以及有限元分析，验证了小波分析在模态特征参数(频率、振型、阻尼比)提取方面的有效性。除了瑚小波／包分析提取模态参数外。很多人直接采用小波／包分解系数，提取相关的小波特征参数。先利州小波分析对原始信号进行分解，提取各水平小波细节的能量特征参数等与损伤相关联的特征餐或小波重构冢数的统计特性p斗”1．如：标准误筹、样本方等、峭度指标．波形p佃,b-,孙-一，峰值指标等。姜纠匕等人155】利州小波包良女J：的时一频特性．州小波／包分解对结构响府进行处理．通过对某一l-q度上各频带内的时间序列分别竹时域分析就能{艮友，地将信号时域信息如能量、标准筹、熵特征参数提取出来。后来义以小波分析作为I：具，提取小波能封特祉向颦作为输入，与概率神经网络(PNN)相结合，提出了小波概率神经网络(WPNN)的损伤识别方法陋”I。为了验证该方法的有效性．对钢框架进行_『损伤识别研究．并考虑了随机噪声的影响。·f．048． 识别结果表明：WPNN抗噪声能力强，识别精度高，在结构损伤识别与在线检测方面具有潜力。还有一些学者138,43l采用小波分析来提取信号的特征参数，用统计理论或神经网络等模型进行故障诊断或损伤识别。Tafreshi等人[58】提出了一种基丁‘小波的新型特征提取和分类方法，并通过在发动机的汽缸盖上安装加速度传感器的实测数据来验证了所开发的方法较之其他方法的优越陛。丁幼亮与李爱群【59】提出对振动激励信号与响应信号分别进行小波包分解，并在此基础上计算结构的小波包脉冲响应函数及其小波包能量谱，用以表征结构动力系统的损伤状态。他们【60】还以简支梁裂缝为例，将环境振动信号采用小波包分解后得Nd,波包能量谱，采用基于Monta．Carlo方法计算得到的能量谱极值指数和变异指数2个指标作为简支梁裂缝损伤报警的判据。对无损伤结构模型输入一定数量具有相同频谱特性的激励得到小波包能量谱分布，定义为标准分布。在结构实测过程中，对某一时段测得的结构响应分为若干部分，分别进行小波包分解，得到实时能量谱分布，将其与标准分布作误差比较，从而可以判断结构是否发生损伤。并采用能量谱极值指数和变异指数2个指标作为简支梁裂缝损伤报警的判据。定义Bio为无损伤模型的标准频带能量分布，131为实时频带能量分布。能量谱极值指数为：7=max。P,屈-。P,0一×，。。％)c，，可见该值为所有频段中能量分布误差的最大值，一般取极值指数丫>20％时，认为结构发生较大的损伤。任伟新笛【36】利用小波分析的特点和特性，给出了环境激励下结构振动响应数据小波变换的振幅、相位与特征频率及阻尼之间的关系，通过对曲率小波变换系数、小波能量变化率、小波能量分布向量等结构损伤指标的分析，给出了结构损伤识别的实施步骤和小波函数的选取原则。SSLawetait40】研究了运用结构响应的小波系数灵敏度系数进行结构系统的参数识别，发现在一单层平面框架的损伤检测中，它远比结构响应敏感。Juang&Cheng&Chen提出了--哥ee基于小波能量的白回归模糊神经网络方法【611，可以用于可变噪声环境卜-的语音检测，它使用小波能量和零交叉率(zerocrossingrate，ZCR)作为检测参数，自回归模糊神经网络模型进行模式识别，同时它还可以进行自学习来解决模糊逻辑中一些经验参数的确定等难题。试验在不同类型噪声和信噪比下完成，证明该方法具有较好的识别能力和鲁棒性。在实际：I：程结构中，所受激励大多为非平稳的，实测信号的信噪比低，且大多数七木工程结构为非线性结构，一旦结构出现损伤，其刚度降低，表现为时变结构。任宜春162J利用小波分析对结构参数识别中的测量噪声和非线性时变结构辨识两个方面的问题展开研究：①利用小波多分辨分析原理，建立线性系统多尺度动力平衡方程。将系统输入输出信号用离散小波变换分解到不同尺度上，由各尺度上小波系数构成参数识别方程的系数矩阵和输入向量，根据不同频段上的信噪比大小确定不同的权值对结构参数进行加权最小_二乘辨识。②以小波变换为基础分析信号的多尺度表示和动态系统状态方程的多尺度分解，将结构动力学系统辨识方法与多尺度系统理论相结合，在不同尺度上运用参数一t-尔曼滤波对系统参数进行了有效辨识，提高了识别精度。③针对实际1二程测量信息有限的情况，利用静力凝聚方法得到框架结构简化层模型，用积分算子变换法获得变换空间完备信息，结合多尺度辨识思想对框架各层柱、梁弹性模量进行非线性最小二乘辨识。④用Morlet复小波变换对弱非线性系统自由振动响应进行分析，通过小波脊线对应的尺度和脊线上的小波系数识别其瞬时频率和瞬时振幅，由识别的瞬时振动参数进一步识别弱非线性系统的园有频率、阻尼系数乖Ntir-线性系数。比较了短时傅立叶变换、希尔伯特变换和Morlet复小波变换识别弱非线性系统白由振动瞬时频率的结果。⑤运用小波分析fl@Mallat算法可以得到时变函数的小波展式，将时变结构动力方程中的时变刚度和时变阻尼用其小波展式代替，由已知的止交尺度函数和系统输入输出信息运用最小二乘辨识识别小波展式中的系数，再由识别的系数重构系统的时变刚度和时变阻尼。小波基的选择。小波分析实质上是川小波基函数对信号进行卷积分，小波基函数的性质决定了小波分析的性质，同一个信号选取不同小波函数进行小波变换，处理之后所得的结果会有较大差别。冈此，小波荩函数的选扦,iIgj造是十分重要的[63,36,42,44J。小波函数的选择与构造满足以．卜条f，I：：①定义域是紧支撑，且越具备紧支撑，其检测突变信号的能力越强。②具有一定的消失矩，在满足能够检测剑最人LIp}n‘数值的前提下，选择具有最小消失矩的小波函数。·I一049． ③小波容许条件，即铲帮⋯④式中汐(缈)=l∥(f)P1硝dt，它使函数认t)的波形必定具有振荡性。④正则性。此外，还应该考虑对称性、光J滑性和相位等。在结构健康检测和损伤识别中，由于描述小波函数性质特征的指标较多，且这些性质差异较大，故很难针对小波函数的某一性质总结出一种通用的选取方法，故应该根据被分析信号的特征和分析目的，来选择合适的小波基函数。若用小波进行降嗓，则小波函数越接近信号，降噪效果越好。文献3]提出了小波概率神经网络(WPNN)损伤识别方法，并对一个四层钢框架进行损伤识别研究。探讨了小波基函数选择原则，选取I=程常用的几种小波函数进行比较研究，并结合应用对各小波函数影Ⅱ向损伤识别的原因进行了分析。研究发现，由于Mexicancatd、波函数具有曲线圆滑、正则性好、消失矩阶数大等优点，本实验的识别率可达100％，故其在结构损伤识别应用中具有一定的优势。小波域内信号的稀疏特性是由小波基函数的准确形状决定的，Atkinson&Kamalabadi州】认为，考虑到信号本身的稀疏特性，并保证得到的小波基函数表达式至少与原始信号一样是稀疏的且在多数小波分析技术虑川时具有满意的效果，小波基的选择主要对最大小波基的长度和分解尺度的数目进行计算。Huang&Aviyentet651提出了一种基于信息论度量和多源信息的方法，来选择表达稀疏特性的小波基并用来纹理识别。为了提高纹理图象的识别精度，EnginAvci&AbdulkadirSengull91提出了一种新的智能专家系统，采用离散小波变换、遗传算法和神经网络结合起来进行纹理图象的最优特征提取和图象模式识别：它先用小波分析计算小波熵和能量特征参数，然后运片j遗传算法并结合多层神经网络确定小波基类型和特征参数选择中的最优系数。研究发现，本方法得到的最优特征参数不仅可以提高纹理识别的正确识别率，而且可以用来进行最优特征参数和最优小波基的选择，且得到的小波基函数和小波熵参数很新颖，在纹理识别领域是很有效的。(3)希一黄变换(hilbert—HuangTransform，HHT)HHT是信号分析领域处理非线性、非稳态信号的最新技术，是N．E．Huan91661于20世纪90年代后期提出的。HHT的核心部分是采用经验模态分懈(EmpiricalModeDecomposition，EMD)将任意复杂信号分解成有限的本征模式函数集(IntrinsicModeFunction，IMF)。分解完毕后，再对IMF分量进行Hilbert变换可以得到HHTi'普，HHTi,普i芎兽够准确地反映物理过程中信号在空间(或时间)各种尺度上的分布规律，是一种自适应能力的亢进时频域信号处理方法。可见，HHT不同丁其他信号分析方法，它没有固定的先验基函数，是自适应的，IMF是基丁：序列数据的时间特征尺度得出；不同的序列数据得出不同组的IMF，每个IMF可以认为是信号中阎有的一个振动模态，通过Hilbert变换得到的瞬时频率具有清晰的物理意义，能够表征信号的局部特征。基丁-HHT的这些优良性质，它在工程振动与卢发射信号处理、模态参数识别、健康监测与损伤检测、故障诊断、地震场地液化及评估中应用较为J“泛m一5|。HHT最早开始用丁．线性多自由度结构系统的模态参数识别问题【73】。通过用EMD、HHT雨I／J,波分析几种方法对ASCE健康监测小组的Benchmark问题进行损伤识别比较，发现EMD和小波分析方法对无噪声或噪声较小时，损伤的识别效果较好：当噪声及不确定性因素较多或者损伤(刚度发生变化)不是突然出现而是逐渐变化时，损伤识别效果不理想；而采用HHT方法则在任何情况一卜-识别效果都很理想。Yang&Lei&Linl-10l提出了一种运用环境风振动数据来识别现场高层建筑的固有频率与阻尼比，该方法仅用一个加速度传感器数据，府刚EMD、随机减昔技术(RDT)署llHHT技术。实测建筑响应中的噪声先通过EMD方法处理而得到每阶模态的响应；接着RDT处理得到自由振动模态响应：最后用希尔伯特交换来处理每阶自由振动响应来识别现场高楼的『舌I有频率与阻尼比。该方法通过一栋76层高的基准建筑、含噪声的模拟响应进行了验证。研究发现，不管是顺风还是侧风向的实测响应都能够显著地识别出固有频率与阻尼比。在结构损伤识别与故障诊断过程中，不仅要识别模态参数，有时候需要知道结构系统参数。Yang&Lei·I．050· &Pan基于希一黄谱分析，研究了多自由度线性结构系统在实模态、复模态下，使用实测自由振动响应来识别系统参数的方法f7l-72】：先用EMD方法将带噪声的实测响应分解成模态响应；接着对每阶模态响应进行希尔伯特变换获得时域内的瞬时幅值和相何角；然后用最小二乘拟合方法来识别每阶模态的频率和阻尼比；当所有白由度(或者位置)的实测响应得到后，根据适当的算法就可以获得系统的模态振型、质量矩阵、阻尼矩阵、刚度矩阵。数值模型验证了所提方法的可行性和有效性。在使用HHT进行模态参数识别、系统识别与损伤检测方面，香港理工人学做了大量的相关工作。文献[68—70]使用EMD对复杂地形下暴风的特征与识别、使用HHT对高层建筑与超跨桥梁在强风作用下变化动力特性的识别、使用EMD对结构刚度的突然变化的损伤检测等方面，进行了理论分析、实验室研究与现场测试，研究证明HHT方法在系统识别、结构损伤检测方面是很有发展前景的。随着HHT戍片!l的增多，HHT本身存在的问题如端点效应问题、模态错分等也日见明显。由于HHT的核心是EMD方法，而EMD的思想是用波动的上、下包络线的平均值去确定“瞬时平均位置”，进而提取出IMF。该方法基于3点假设：①信号至少有两个极值点一一个极大值和一个极小值；②由极值点之间的时间间隔来定义特征实际尺度；③如果信号完全没有极值点而只是包括拐点，可以通过一次或几次积分来找到极值点。通过不断地筛选，找到满足如下两个条件的IMF：①在整个数据范围内，极值点和过零点的数量必须相等或者最多相差一个；②在任何点处，所有极大值点形成的包络线和所有极小点形成的包络线的平均值始终为零。可见，在EMD中出现的端点(边界)效应问题、高频域产生的第一个IMF可能会覆盖很广泛的频率范同、在低频域会产生不希望的低幅值IMF严重影响了它的应用。为此，许多人对HHT进行了改进和修IF．[66,74-75,77-79,]。端点效应问题指由于所分析信号的有限长度、信号的两端点不能确定是极值，则在进行EMD过程中的三次样条插值计算时，使得信号的上下包络在信号的两端附近严重扭曲的现象。在信号的高频分量，由丁．时间尺度小，极值间的距离小，端部的边缘效应仅局限在信号两端很小的部分；在低频分量，时间尺度大，极值间的距离人，端部的边缘效应就传播到信号的内部，当原始信号数据集比较短时，会严重影响EMD分解的质革，使得分解出来的IMF分量没有实际的物理意义。对于多分量复杂信号，特别是需做多次EMD分解的时候，边缘效应会放大，严重淹没信号的端部特征。要抑制端点效应，一是延长数据序列或者在数据两端增加极值点，二是采用其他的样条函数。后者虽然可以在一定程度上解决端点效应问题，但其插值性能比三次样条函数差。对于随机性很强的信号，完全准确地延拓数据序列是不可能也是不合理的，但是可使延拓后得到的平均包络线与真实平均包络线比较接近。在拟制端点效应方面，基于时序模型、神经网络、支持向量机数据延拓等方法都取得了较好的效果剐J。在模态错分及模态混叠的改进方面，许多学者也进行了大量研究。Huang&Shen&Long[661i；{入一个称为间断频率^，的判据。在筛分过程中，该判据指定每个IMF分量的时间尺度或者频率，通过除去低于此频率的信号纽分数据的方法，使得到的IMF只包含高于间断频率的信号组份信息。这个判据可以保证每个IMF分量只含有结构一阶的模态信息。姜绍飞【7列提出了一种改进的希．黄变换结构响应分析，并获得国家发明专利授权。该方法先将响应信号进行带通滤波，接着进行经验模态分解；根据本征模函数和原信号的相关系数m判定真正本征模函数；然后采用随机减量技术将每个本征模函数转换为自由振动响应，最后运用希尔伯特变换和最d"-乘拟合方法提取结构响应的频率、阻尼比模态参数。其具体步骤如下：①先将信号根据快速傅立叶变换初步估计出每一个固有频率的大致范围，使信号通过每一个以指定频带的带通滤波器：②对通过第，个带通滤波器过滤得到的时间信号进行经验模态分解，获得的第一个本征模函数，对户1，2，⋯，胛重复进行同样的过程，就可以获得玎个所要求的模态响应，它很容易地就分离出模态响应并且可以将指定频带范同以外的所有噪声全部祛除；⑨计算本征模函数和原信号的相关系数，以判定真上E低频IMFs组分，首先将所有的本征模函数和原信号|J1一化，计算所有本征模函数与原信号的相关系数coveAO，将它们与初始值脯比较，如果coveAO≥九，则作为本征模函数，否则该本征模函数删除；这里的初始值脓·I．05I· 允=max(covef(i))／p(f=1,2，⋯，疗)(3)其中，／3是一个比1．0更大的因子，通常取1一-20；④确定本征模函数后，采用随机减量技术将每个本征模函数转换为自由振动响应；⑤将每个臼由振动响应进行希尔伯特变换，得到瞬时相位角和幅值；⑥使川最小二乘拟合方法对瞬时相位角和衰减幅值进行估计，得剑同有频率和阻尼比。最近，一些学者提出采刚综合经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)及其变换的方法来改进原来的EMD方法，以提高原始EMD的不能分离时变模态和模态错分【7舢”'7w。EEMD方法由筛选一个辅助白噪声信号(数据)的集合组成。在筛选过程中，先将具有有限但并非无穷小幅值的白噪声施加到该集合，以耗尽所有可能的解，从而通过双值滤波器组米核对不同尺度的信号是否是真正的本征模式函数(IMF)。由于是时间域的分析方法，辅助白噪声通过大量的试算达到平均，在取平均的过程中唯一持久不变的部分是原始信号的真正组分，它们作为真实、有物理意义的模态组分。该方法充分利用了白噪声的统计特性优点在真正的1MF附近对信号进行扰动，在任务完成后将自身删除掉。因此，该方法是对原始EMD本质上的改进，也是一种真正意义上的噪声辅助数据分析方法17引。(4)盲源分离(BlindSourceSeparation，BSS)前文介绍的小波除噪方法虽然非常有效，但是该方法严重依赖于高斯白噪声和与小波系数相关的能量尺度。实际上，噪声并不是真正随机的，往往与：【作状态密切相关，因此它并不是白噪声。当噪声为非高斯分布或者超高斯分布时，采用小波／包分析方法除噪就比较困难。盲源分离(BSS)18i-s2]是20世纪最后10年发展起来的信号处理新技术，它是人工神经网络、统计信号处理、信息理论相结合的产物【17】。盲信号处理(BSS的任务之一)的实质及任务是对未知混合系统在其输入信号完全未知或仅有少量先验知识的情况下，仅由系统的输出信号来重构信号和进行系统辨识。BSS是指源信号、传输特性未知的情况下，仅由观测信号和源信号的一些先验知识估计出各个分量的过程【17'引j，如下图所示。图2盲源分离示意图Fig．2DiagramofblindSOtlrceseparation假设多通道观察X是多个信源S经混合矩阵4组合而成，即X=AS。现在的任务是在S与4均为未知的条件F，求取一个解混矩阵职使得x通过它后所得输出Hl--Wh0是s的最优逼近。可见，BSS属于在目标函数卜的无监督学习，其基本思想是抽取统计独立的特征来表示输入。ComonIs3]于1994年将数据处理与压缩的主分量分析加以扩展而提出了独立分量分析(ICA)的概念，并界定了解决BSS问题的ICA方法的基本假设条什，即源信号是统计独立的，且信号是非高斯分布的。1995年，Bell和Loubaton[84】利用神经网络的=1F线性来消除观测信号中的高阶统计关联，并把BSS问题归入信息论框架，用信息最大化准则建立目标函数，从而将信息论方法与ICA结合起来。盲源分离是一种功能强大的信号处理方法，已被用丁信号分离与噪声剔除、图象处理、模态参数识别与特征参数提取，以及故障诊断和结构损伤识别【8'蚶J。在噪声剔除和信噪分离技术方面，主要有滤波、自适应滤波、小波／包分析、BSS(特别是其中的ICA)、土分量分析和奇异值分解等方法。其中，ICA远比小波／包分析方法要有效得多，一方面是因为小波／包分析的精度取决丁小波基函数且信号必须是高斯分布，另一方面是冈为ICA特别适合源信号之间相互独立、非高斯混合信号的信噪分离。盲源分离与士分餐分析(PCA)、奇异值分解等信噪分离方法也有明显不同【98J：后两者是基丁．信号二阶统计特性(白相关)的分析方法，用丁．玄除图象各分量之间的相关性，这对于高斯分布是足够的，但对丁北高斯分布，由丁在高阶统计量中含有附加的信息，冈此表示不够充分：前者则是基于高阶统计特性的分析方法，冈而更能反映输入数据的本质特征，经ICA分解山的各信号分量之间是相互独立的。·I-052· 在模态参数识别和特征参数提取方面，主要是利用BSS或者ICA本身的特性进行独立组分的分离，并结合数理统计、优化计算、模态分析、参数识别等技术提取有用的信息，得到各自不同需要的时域、频域、时频域等特征参数[86-87,91-95,91“。为了解决BSS中存在的问题并压缩、减少数据空间，一些学者将BSS与小波分析、统计分析、模式识别等方法结合起来，研究基于线性、非线性数据变换的的特征提取与数据挖掘等技术方法[9294,96-99】，然后运用提取的有效特征参数，采用统计模式识别、神经网络、数据融合等技术进行故障诊断与损伤识别[S6-87,90,92-94]。本文作者及其课题组也进行了相关研究，提出了基于小波包分析和ICA相结合的信噪分离方法和三阶段结构损伤检测方法【951。它首先采用小波包变换对测得信号进行消噪处理，同时对小波与小波包消噪效果进行了比较，然后利用固定点算法(FastlCA)分离得到ICA滤波基，基于ICA滤波基对信号与噪声进行分离；再重复一次利用小波包变换对信号进行消噪处理；对消噪后的信号提取自相关特征，并用概率神经网络进行模式识别，达到结构损伤检测的目的。在信噪分离过程中，其示意图如图3所示，首先对源信号加入高斯向噪声，然后利用随机矩阵对信号进行混合(信号与随机矩阵卷积)，接着分成两个步骤实现分离信号：第一，利用小波包变换对信号进行降噪处理，再通过固定点算法(FastlCA)对降噪后信号进行分离，最后再一次分别利用小波包变换对分离后的信号进行降噪处理；第二，直接利用固定点算法分离信号，输出结果。数字信号的信噪分离和ASCE的Benchmark结构损伤检测研究发现，所提出的利用两次小波包与ICA结合的信噪分离技术，能有效地消除噪声以及对损伤检测的影响，提高了损伤检测精度；而采用小波变换除噪则更为初略，效果远不及小波包消噪。图3基于小波包与盲源分离的信噪分离示意图Fig．3Diagramofsigil-noiseseparationbasedonwaveletpacketandblindSOUrCeseparation总之，以上这些方法在信号处理方面各自具有优越性和局限：滤波方法容易使信号失真；傅立叶变换虽然是频域分析的基本工具，但只能处理稳态信号；短时傅立叶变换虽然能够得到信号的时变特性，但变化着的不同时间段的信号只能加相同的窗，它不适应信号频率高低变化的不同要求，且时间越长，信号的“局部”平稳性就越难保证：Wigner-Ville分布一定程度上解决了短时Fourier变换存在的问题，但多分量信号的Wigner-Ville分布会出现交叉项，交义项通常是振荡的，造成信号的时频特征模糊不清：小波咆分析将信号分解成不同平移和尺度因子的母小波或基函数之和，使其具有不同的窗函数，可以发现其他分析方法所不能觉察到的信号不连续性和断点，但它的好坏取决于先验函数基的选取；HHT依据数据本身的时间尺度·I．053· 特征来进行EMD分解，可以比较准确地进行信号的时频域分析和异常点检测，但它本身是一种经验方法，如何才能获得信号的最佳包络、何时中I上筛选过程以及如何端点效应、模态混叠与错分等问题等值得关注；盲源分离可以比较容易地进行信噪分离，完成噪声的剔除和特征提取，但是它必须满足信号是独立可分和非高斯分布等条件，也限制了它的推广和应用。2．2神经网络神经网络是由许多神经元按照不同的连接方式构成的巨型复杂网络。它以分布式方式存储信息，因此具有并行计算、联想记忆、自适应和高度非线性动力学特征，能处理模糊性、随机性、噪声或不相容的信息。神经网络之所以用于结构健康监测／损伤检测，因为它能够通过学习或训练，具有自联想、记忆及模式匹配的能力：它具有滤出噪声及在有噪声情况下得出正确结论的能力，使其能在噪声环境中有效地工作；它具有分辨原因及损伤类型的能力。结构损伤检测的核心技术是模式识别，而模式识别就是将理论分析得到的损伤模式特征库与实测的模式进行匹配。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。对于多种损伤组合爆炸和由于噪声引起的模式失真等问题，传统的模式识别技术难以解决。神经网络本身具有模式匹配与记忆的能力，而且对丁二具有一定噪声的模式识别效果更好，运用模式识别进行损伤检测与用神经网络进行损伤检测是两种不同的诊断方法，但二者有着密切相关的联系，可以用神经网络来实现模式识别的损伤检测【1001，下面用传统的模式识别诊断方法一贝叶斯理论来说明神经网络是如何实现结构损伤检测与识别的。假设待识别的模式样本的条件概率密度函数是正态分布，表示为：／(x／q)=zi拓exp[-{(X—m，)7’c71(x—m，)J扛l，2，⋯，c(4)tz)iI．，I式中X=[xl，X2⋯，Xn】7为输入模式样本，∞，为第u个模式类中的第f类模式集合，朋，为第f个模式类别的均值矢餐，C为第f个模式类别的协方差矩阵。如果满足下面的贝叶斯规则，则X∈刃．。』盟多婆鱼：!：m觚j』堕竺!娑塑z!}(5)八x)j＼j’嶙)＼这里以Ca)，)和儿的分别为模式类叫。及样本x的先验概率和概率密度函数。假设所有模式样本的先验概率相同，并对(5)式取自然对数得：上(f)=min{L(j)}J这里的L(O为：X∈国(6)上(f)=伍一m∥。c71伍一胁，)+lniCjl=∑∑‘0，k)[x(j)-m，O)】b@)一m，@)】+lnlC,IJ=lk=l。(7)=ZZ，,O，k)x(j)x(k)-2ZZr,(j，k)x(j)m，@)j=lk=lj=lk=l+∑∑，：D，七)％0h@)+1．1c,Ij=lk=l式中的r,q，k)和m，∞分别是C_1和朋，的分量。则式(7)对应的结构可以用先求乘积再求和的神经网络来实现。假设第i个神经元的网络输入和输出分别为：刀PfO)=口G)+∑彬O，／h(，)+∑∑％(f，J，七b(，b@)(8)j=lI=I彻，(归雨翱(9)·I．054· 式中o(i)--Z∑‘U，k)m，@)+lnIc，，=lk=l(10)彬(f，，)．-2>’r《，，纠卅．Ik)(11)’、’7‘一’r’’’k=lW2(i，J，k)-‘U，庀)(12)上式说明模式类别中协方差矩阵中的一个分量可以用神经网络的一个权值表示，也就是说传统贝叶斯理论进行损伤识别的技术可以由神经网络来实现。从最甲．将BP网络应用于结构损伤诊断中的Venkatasubramanianll01]到现在，已经有很多关于神经网络模型进行故障诊断与损伤检测的文献与综述【1,4,86,90,93-95,97,102-106】。从网络的学习模式类型，可以分为有监督学习模型和无监督学习模型两类，前者又分为前馈层状网络(BP网络、RBF网络、概率神经网络PUN)和反馈层状网络，后者则分为自组织映射(SOM)和自适应共振理论模型(ART)【106J。应用比较多的是BP模型，一方面是其模型结构简单，另外一方面是模型误差反传学习算法通过正传和反传计算两个阶段达到识别学习的目的，不仅容易实现而且可以极大地提高识别率瞄，l叭'I吩，107J。但是由于BP网络容易陷入局部极小、收敛速度慢和网络隐含层及单元数缺乏理论指导等问题，一些学者进行了BP算法的改进工作，文献[103】从BP模型的改进激励函数、误差函数、初始权值的选择、改进优化算法和优化网络结构5个方面进行了详细研究与探讨。Samanta等人【1081采用时域内振动信号特征作为BP网络的输入，老的隐含层单元数采用粒子群法(PSO)进行优化对一旋转机械的故障进行了识别，并与支持向量机方法进行了比较，发现采用PSO进行优化的BP模型识别正确率达到98．6．100％。还有学者结合其他信号处理技术如小波／包、希黄变换、BSS／1CA对振动及声发射等信号进行特征提取，运用遗传算法、进化算法等优化方法对BP网络进行改进，提出了许多有效的故障诊断与损伤检测方法【19,74,109-110】。测量和结构系统误差以及结构不确定性在大型复杂结构的健康监测与损伤检测中是不可避免的，而这些严重地影响了损伤检测方法的有效性和鲁棒性。基于此，采用贝叶斯估计、模糊理论、粗糙集、数据融合与神经网络相结合来消除不确定性，进而进行故障诊断与损伤检测”18,24-30,102-103,111-118】。后3种方法将在后文详细介绍。将贝叶斯估计放入神经网络来完成推理的模型是概率神经网络(PNN)，它一般是一个四层的前馈神经网络，通过模式层、求和层来完成某样本分属于各种模式的条件概率(密度)，该样本最大概率(密度)所对应的那一类就是该检验样本的模式类别，来完成贝叶斯决策。PNN训练时间短，仅需要训练一次就达到收敛，网络结构根据模式样本的输入信息来确定，它具有更好的学习和泛化能力f119,117】。Klenke和Paez[120l通过结构在损伤状态下和健康状态下的两个数据集，．用概率神经网络、概率模式分类器两种方法进行了结构的损伤检测研究。YuandChou021]提出了一种将ICA与PNN结合的心电图跳动分类方法，它先用ICA对心电图信号进行特征提取，然后分别用PNN和BPN进行模式分类，最后用实验验证了方法的有效性，研究发现，两种神经网络模型都具有98％的识别精度，但是PNN方法在精度和鲁棒性方面都要稍胜BPN。Wu等人【117】基于自适应跟踪和神经网络技术，提出了内燃机故障诊断专家系统，它由两部分组成：内燃机声发射信号的记录与特征参数的提取和PNN的特征学习及发动机故障诊断。为了证明所提出方法的有效性，2个传统神经网络模型．BP网络和RBF网络进行了故障诊断比较。研究发现，提出的系统除了能够进行自适应跟踪提取信号特征外，PNN还能够提高系统的学习时间和诊断率；在内燃机故障诊断示例中，虽然3个网络模型对识别故障都有贡献，但是PNN完成收敛的时间极短且诊断率明显优于其他两种模型。由于PNN模式层神经元以每种模式的训练样本作为单元，若学习样本过多，将导致网络结构过于庞大、复杂；此外，PNN中所有高斯核函数的圆滑参数(伊参数)都采用同一个值，无法反映不同的输入特征参数对损伤检测正确分类结果的影响，使得部分特征参数所起的作用被强化，PNN的识别精度和鲁棒性比较差。为此，许多人对原来的PNN模型进行了改进【m‘1261。姜绍飞等人【123啦41提出了运用传统PNN(TPNN)、PCAPNN、自适应PNN(APNN)_三种PNN模型对香港青马悬索桥(图4)进行了损伤检测与定何。其中PCAPNN采用PCA进行特征简化以减少输入特征的数量，然后将约简的特征参数与样本放入传统的PNN中；自适应PNN则通过遗传算法寻找各输入特征参数各自最优的西参数，最后分别J}}j三种PNN·I．055" 模型对悬索桥进行了损伤定位比较(见表1)。Anchora胖图4青马桥示意图Fig．4DiagramofTsingMabridge表13种PNN模型的检验样本识别精度及输入矢量数目Table1Identificationprecisionandinputnumberoftestingsamplesfor3PNNmodels噪声程度朋搦(网络输入矢量数目)噪声程度IA／％(网络输入矢量数目)／％TPNNPCAPNNAPNN胱TPNNPCAPNNAPNN0．00100．0(52)93．7502)93．75(52)0．1519．38(52)75．25(15)90．56(52)0．0269．66(52)93．66(13)93．75(52)0．2014．22(52)67．91(16)90．69(52)0．0455．94(52)92．3l(13)93．13(52)0．2510．88(52)63．47(16)86．38(52)O．0645．03(52)89．59(14)92．81(52)0．309．84(52)57．47(26)84．4l(52)O．0836．06(52)87．78(14)92．03(52)O．359．38(52)54．00(17)65．25(52)O．1028．88(52)84．16(14)93．47(52)O．408．72(52)49．44(19)64．47(52)可以看出，A外Ⅲ的识别精度最高，PCAPNN次之，TPNN最差，但前者需要很长的训练时间(是前两者的几十倍甚至上千倍)，网络规模较大：后两者几乎不需要训练时间，且PCAPNN网络规模只是TPNN和A阶刑的1／3-"1／4；在低噪声(ⅨO．10％)情况下，PCAPNN的识别效果基本等同于A阶悄，而此时测量误差的波动范围在士O．30％，16类损伤的前4阶频率灵敏度最大值为O．16％1103】，这预示着即使测量误差为由损伤引起的频率变化的2倍，损伤仍能被PCAPNN和APNN两种模型识别出来(z4>84．16％)。这说明白适应PNN的分类识别效果极大地优于其他2种模型，它在损伤检测与定位方面具有较好的识别精度和鲁棒性。总之，运用神经网络的非线性建模、自学习、自回忆、容噪和模式匹配等能力，可以进行结构健康检测与检测，但是网络模型的确定、学习样本的产生及几何级的数量膨胀、快速收敛的学习算法等问题制约着它的进一步推广和实时在线应用，有待于今后进一步研究和探讨。2．3模糊理论模糊集理论是处理不精确、不确定、模糊信息的数学工具，它已经被广泛地应用于模式识别、优化、数学规划、控制与决策等领域。由于损伤／故障的存在使得实测结构响应具有很强的模糊性、多层次性、相似性等特点，很雉进行精确的推理。聚类分析是多元统计分析的一种，它把一个没有类别标记的样本集按某种准则划分成若干个子集(类)，使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中。冈此根据损伤／故障特征参数指标的模糊性与不确定性，应用模糊聚类方法确定样本的亲疏程度来实现模式分类与损伤识别【127’坦21。文献[128]讨论了数据规格化的二种方案，并将模糊聚类分析方法应用于抽风机故障诊断研究中。研究发现，极差值是数据规格化最简便的方案，模糊聚类方法在正常样本和故障样本保持不变的情况下，加入新的待检测数据，能有效地将待诊断参数与运行状态样本参数归类，对系统故障作出快速准确的判断，该方法是可行的、有效的。现有状态监测方法多数是基于概率论或者模糊逻辑的，Du&Yeung¨删1将马尔科犬过群中跃迁概率(transitionprobability)与模糊逻辑结合起来，提出了一种新的状态监测方法。文献【130】研发了一个钢筋混凝十建筑物的模糊评估系统，它可以进行建筑物现有状态评估_；}lI对今斤·I．056． 维护、管理提供技术支持。在建筑物状态评估模块包括建筑物历史状态、环境条件、结构承载力和耐久性等子块，而每个子块又包含自己的子标准，模块一步步进行评价，其评价结果与专家的评价基本上一致。Li等人【1311提出了一个包括模糊特征提取代理FFEA和模糊分类单元FCU的新型两阶段模糊分类器模型，它首先从原始数据库中提取模糊特征，接着研发了模糊分类器进行自动推理与分类。为了提高分类效果，改进模型的性能，遗传算法彼用来确定FFEAqb每个特征参数的模糊集分布，自适应可信度机(adaptivegrademechanism)被用来进行调整FCU中的基本If-Then规则的可信度级别。研究发现，所提出的模型不仅具有极好的分类能力，而且可以极大地减少原始特征参数的维数和训练时间。此外，一些学者为了减少模糊逻辑推理所需要规则数据组合爆炸问题，Zhao等人1132】提出了一种基于模糊知识的大桥损伤诊断与管理专家系统，运用主成分分析法来进行数据降维，用改进的爬山聚类法来获取知识，产生的规则库用梯度法进一步优化，最后将系统产生的规则与专家的经验进行比较，发现二者吻合良好。模糊逻辑系统的成败取决于模糊规则库的产生和模糊推理。虽然它能精确处理不确定信息，并进行高阶的信息处理和逻辑推理，但它对模糊规则的自动提取及模糊隶属函数的自动生成存在困难。而这些难点正是神经网络的优点。表2给出了模糊系统与神经网络性能的比较【l刀J。表2模糊系统与神经网络的性能比较Table2Performancecomparisonbetweenfuzzysystemandneuralnetwork可以看出，在知识表示、存储、运用和获取等方面二者存在一定的异同：①从知识的表示方式看，模糊系统可以表达人或专家的经验性知识，便于理解：而神经网络只能描述大量数据之间的复杂函数关系，是一个“黑箱”，难丁理解。②从知识的存储方式看，模糊系统将知识存在规则库中，神经网络将知识存在权系数中，两者都具有分布存储的特点。③从知识的运用方式看，模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，计算量小；而神经网络涉及的神经元很多，计算量大。④从知识的获取方式看，模糊系统的规则靠专家提供或设计，难于自动获取；而神经网络的权系数可以从输入输出样本中学习，无须人来设置。由丁-模糊逻辑和神经网络各自独到的特点及相同的地方，如都不要求对象的精确数学模型、分布存储、并行处理等，将模糊技术和神经网络有机结合组成模糊神经网络，通过将传统神经网络进行模糊化处理，保留其网络结果，将神经元进行模糊化处理，可大久拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息或其他不精确信息；同时神经网络的自学习使得模糊规则的自动提取及模糊隶属函数的自动生成得以实现[122,127,106】。模糊神经网络(FNN)一般包含模糊系统中模糊化一模糊推理一解模糊的最基本模块。即在网络的前层实现模糊化，中间层构成联接主义的推理机，后层则完成解模糊的功能。每层：宵点数及权值可根据模糊系统所采用的具体模块形式而预置，通过一定的学习算法自动产生隶属函数的合适形状以及模糊规则。由丁．FNN拥有模糊逻辑和神经网络的优点，近些年被地用于模式识别、控制、故障诊断与损伤检测【106，122，127’l”’”3。1361。文献[134]对车床加工过程中刀具的磨损状况，用3种方法进行评价一即前馈BP网络、模糊决策系统和模糊神网络进行了评价。研究发现，虽然3种方法都给出了相似的、可接受的结果，但FNN所用训练时间较短，具有较好的识别精度和鲁棒性。为了提高FNN模型的识别精度和鲁棒性，一些学者试将小波分析、EMD等现代信号处理技术，对结构响应进行分析处理与特征提取，再川白适应FNN对提取的特征进,l亍iJII练，最后运用训练的模型进行模式识别与故障诊断【136l。文献[113】运用模糊BP网络和动力响应数据，分别片jNMCR、NDSI、NFCR3组不同的特征参数进行了框架结构的损伤检·I．057" 测与识别。研究发现，3个FNN模要!都能够对含噪的模式样本识别出来，但是采用NMCR、NDSI特征参数的2个模型具有较高的识别精度和鲁棒性。可见，FNN综合了神经网络和模糊理论各自的优点，且弥补了各自存在的不足，不仅使得推理结果具有明确的含义，而且规则库的建立与学习可以通过神经网络自适应的学习，在结构健康监测与检测方面具有很高的识别精度和较好的鲁棒性。但是，网络模型的构造与确定、样本及规则增多导致规则库的膨胀、快速收敛的学习算法等问题制约着它的迸一步推广和应用。2．4数据融合数据融合又称信息融合，是利用计算机技术对按时序获得的若干传感器的观测信息在一定准则F加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。它利用多个传感器共同或联合操作的优势，提高传感器系统的有效性，消除单个或少量传感器的局限性。数据融合出现在20世纪70年代初期⋯91，来源丁I军事领域中的C3I(command，control，communicationandintelligence)系统的需要，当时称为多源相关、多传感器混合数据融合，并于80年代建立其技术。美国国防部从军事应用的角度将数据融合定义为这样一个过程：把来自许多传感器和信息源的数据和信息加以联合(association)、相关(correlation)$rl组合(combination)，以获得精确的状态估计(statesestimation)、身份识)JIJ(identityestimation)，以及完整的态势评估和威胁评估Il川“删J。2．4．1数据融合的系统数据融合的系统结构研究包含两部分，即信息融合的层次问题和信息融合的体系结构。融合的层次结构主要从信息的角度来分析融合系统，信息融合的体系结构则主要是从硬件的角度来分析融合系统。根据信息在不同的信息层次上出现，数据融合分为数据级、特征级和决策级三个层次【137。391。数据级融合是最低的一级，匹配的原始数据经过简单处理就汇总、直接进行融合，然后对融合的数据进行特征提取和状态说明，最后进行识别。它要求传感器是同质的，如果传感器是异质的，则数据只能在特征层或者决策层进行融合。该级融合的优点是最人地保留了原始数据的特性，但其实时性和抗干扰性较差。特征级融合是数据融合的中级水平，将每个传感器的观测数据进行特征抽取以得到一个特征向量，然后把这些特征向量融合起来，并根据融合后得到的特征向量进行身份判定。特征级融合的优点是可以实现大量数据的乐缩和实时处理，它的决策结果可为决策级融合提供特征信息，对通信带宽的要求较低，但由于数据丢失使其准确性有所下降。决策级融合是最高的融合级别。每个传感器各自完成数据预处理、特征提取、识别或判决，建立对所监测目标的初步结论，而后通过决策级融合判决，获得联合推断结果。决策级融合的优点是能有效地反映环境或目标各个侧面的不同类型的信息，抗干扰和容错性好，对通信带宽要求最低，但产生的结果相对来说最不准确。数据融合的硬件体系结构大致分为三类：集中式、分布式和混合式。集中式是将各传感器结点的数据都送剑中央处理器进行融合处理。该方法可以实现实时融合，其数据处理的精度高、解法灵活，缺点是对处理器要求高、可靠性较低、数据量火，故难于实现。分布式是各传感器利用自己的量测单独跟踪目标，将估计结果送到总站，总站再将子站的估计合成为目标的联合估计。该方法对通信带宽要求低、计算速度快、可靠性和延续性好，但跟踪精度没有集中式高。混合式是将以上两种形式进行组合，它可以在速度、带宽、跟踪精度和可靠性等相互影响的各种制约因素之间取得平衡，因此目前的研究着重丁：混合式结构。一般根据确定的系统层次结构来确定相应的体系结构，同时还必须考虑数据通信、数据库管理、人机接口、传感器管理等支撑技术。2．4．2数据融合算法数据融合土要包括传感器(信号获取)、数据预处理、数据融合中心(特征提取、数据融合计算)和结果输出等环节(图5)。可见，数据融合的关键技术是融合中心，即特征提取和融合计算。其中融合计算是数据融合系统的核心，特征提取是融合计算的前提。由于特征提取在前文已经做过介绍，这里重点介绍融合计算中的融合算法。·I．058- 图5数据融合过程流程图Fig．5Flowchartofdatafusionprocess数据融合算法主要是指数据融合所需要的实现方法。对于多传感器来说，包含有同质信息和异质信息，使得信息具有多样性和复杂性。因此对信息融合算法的基本要求是具有鲁棒性和并行处理能力，此外还要求考虑方法的运算速度和精度，以及与不同技术和方法的协调能力等。目前在数据融合领域中的算法是多种多样的，这里主要介绍概率论方法、证据理论、模糊集方法、神经网络方法四种常用的算法。(1)概率论方法概率论方法较早应用于数据融合。这种方法首先对各种传感器信息作相容性分析，删除可信度较低的错误信息，在假设已知先验概率的条件下，对有用的信息进行贝叶斯估计，以求得最优的融合信息。贝叶斯估计方法的优点是简洁，易于处理相关事件；缺点是不能区分不知道与不确定的信息，而且要求处理的对象相关。在实际应用中往往很难知道先验概率，当假设的先验概率与实际矛盾时，推理的结果会很差，在处理多重假设和多重条件时也会显得相当复杂。另外，在进行计算的时候，常常简单地假定信息源是独立的，这个假设在大多数情况下非常受限制。卡尔曼滤波方法则根据早先估计和最新观测，递推地提供对观测特性的估计。(2)证据理论D．S证据理论的发展始于20世纪70年代，它是对概率论的扩展，依据信任函数运算，解决了一般的不确定问题。采用了概率区间和不确定区间来确定多证据下假设的似然函数，计算任一假设为真条件下的似然函数值。D—s证据理论不仅能融合不同层次上的属性信息，而且能区分不确定性信息与未知性信息、处理像语言一样的模糊概念证据，还能较好地解决证据冲突，容错能力强，在数据融合技术中得到了比较广泛的应用。证据理论存在的不足就是在证据冲突的情况下，它将无法进行或者组合结果与实际不相符合，有时对结果往往给出过高估计，对未进行冲突处理的许多算法，输人数据的微小变化会对输出造成很大的影响：当处理的对象相容性较大时，其性能变坏。一些学者们进行了一系列的改进，将加权参数引入D．S组合规则，以保证在证据不一致时提高可靠证据的权威性。(3)模糊理论该方法是用模糊逻辑系统来反映数据融合过程的不确定性，并通过模糊推理来完成数据融合。其中模糊聚类是按照一定标准对用一组参数表示的样本群进行特征参数提取、融合、按标准分类的过程。自从模糊推理方法提出以后，作为乘积空间上模糊集的模糊关系得到了广泛的应用，常用的模糊聚类算法有基于相似性关系和模糊关系的方法、基于模糊等价关系的传递闭包、基于目标函数法等，对故障进行聚类分析诊断。后来又有一些学者提出用模糊性偏序关系、模糊协调性与非不协调性对多准则备选对象的评估信息进行融合分类与决策。(4)神经网络方法神经网络具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力，因此它被成功地应用]：信息融合中的状态估计等问题。将神经网络与其他方法相结合进行信息融合技术的研究已经形成了一种趋势并取得了一些显著成果。例如，D．S证据理论与神经网络、模糊集与神经网络、小波与神经网络、粗糙集与神经网络以及遗传算法(进化算法)与神经网络等等的结合。由于数据融合应用领域日见广泛，融合算法的开发受到人们的普遍重视。除了前面的四种方法外，还有一些融合算法，如卡尔曼滤波、支持向量机、遗传算法、小波分析理论等。但是单独采用一种方法往往具有一定的局限性，冈此将各种方法技术集成以充分发挥各自的优势逐渐成为研究与应用的重点。·I．059" 综合数据融合的模型和应川看，主要的融合计算方法与特点如下(见表3)。表3主要融合方法的比较Table3Comparisonofmainfusionalgorithms可见。这些方法中，当一个传感器可用附加信息或未知前提的数目大于已知前提的数目时，贝叶斯估计中己知前提的概率就变得不稳定。在D．S证据推理中，这个缺陷可以通过不指定未知前提的先验概率得以避免，但计算较麻烦，且各传感器的可信度函数的确定比较困难。模糊推理对不确定性直接用模糊逻辑表示，然后使用多值逻辑推理，根据模糊集合理论的各种演算，对各种命题进行合并，进而实现数据融合。神经网络也是信息融合的一个研究热点，其原因在于二者都是模仿大脑对来自多方面信息的综合处理能力。2．4．3数据融合在结构健康监测与诊断中应用的可行性由于数据融合技术可以充分利用多源、冗余、不确定的数据，按照一定算法进行综合分析、决策，减少不确定性，达到提高分析与决策的整体水平，因此正逐渐被应用于军事、工业控制、机器人、空中交通管制、海洋监视和管理、城市规划、地质分析、故障诊断和损伤检测等领域【111,113,137-140l。从本质上讲，结构健康监测系统是对运行的各种状态信息和已有的各种知识进行信息的综合处理，最终得到关于系统运行状况和故障状况的综合评价。数据融合的过程实际上是信息的提纯过程，在故障诊断中是按最人从属原则进行融合的，即因果程度高者定为诊断结论。在这一点上，结构健康监测与数据融合具有相同的目的和要求。从功能模型上来看，诊断的对象作为信息源提供原始的信息，通过各种信息处理，以监测诊断结果的形式，达到诊断的目标。将数据融合用于故障监测及诊断系统中，能够更精确地获取结构运行状态的估计、提高诊断的置信程度：充分利用多传感器的资源，最大限度地发挥资源的利用率。因此，数据融合技术在结构健康监测及故障诊断中的应用是可行的【102'112。”】。2．4．4数据融合的应用由前所述，数据融合应用丁结构健康监测与损伤检测与诊断是可行的，下面从融合算法角度介绍数据融合的应用。(1)概率论方法贝叶斯估计是数据融合最常用来进行不确定评价的方法，它土要建立在测量过程及其影响参数的知识基础上的。测量过群的知识主要通过所谓的模型方程(即建立所有设计量之间的关系)米表示，影响参数的知识通过可信度来表示，即经常通过最火信息熵原理和贝叶斯定理得到的概率密度函数来表示。实际上贝叶斯估计方法进行不确定评价是通过数值积分技术如蒙特卡罗法来实现的。为提高结构损伤识别的准确率，刘涛等[141]住人型复杂七木一l：程结构的健康监测中，提出了基于数据融合技术的结构损伤识别方法的实用模刑，建立了结构损伤识别方法的评价指标，并通过钢筋混凝士板试验分析了常用的数据融合方法Bayes方法和D-S证据理论的有效性。分布式网络系统的出现及其极好的性能，它提高了大型结构健康监测 系统的可靠性和鲁棒性。wang等人f142】研究了将分布式传感器系统网络与具有多级决策融合的多种融合技术相结合的方法应用于损伤检测中，并探讨了其可行性、有效性和鲁棒性。在该方法中，数据融合中的4种算法如投票法、贝叶斯推理、沪S证据理论、模糊推理被分别单独用来进行损伤检测决策。研究发现，虽然运用贝叶斯推理方法对采用分布式传感器融合数据进行损伤模式发生的概率识别结果最好，但是很难得出究竟哪种融合算法比其他算法更好。因此他们又将4种融合算法的决策结果做更高一级的决策融合，使采刚单一融合算法的损伤定位的错分风险与估计进一步下降，结构监测系统的鲁棒性和容错性得到提高和改善。(2)证据理论证据理论采用了概率区间和不确定区间来确定多证据F假设的似然函数，使之不仅能融合不同层次上的属性信息，而且能区分不确定性信息与未知性信息，还能较好地解决证据冲突得到了许多人的青睐和重视。张清华等人Ila3]将证据理论作为理论基础，研究了基丁二多源信息的损伤识别方法。为了充分体现不同证据在重要性、可靠性方而的差异，在考虑实际损伤识别过程的基础上，提出了基于先验和后验可靠性联合校上E的证据合成方法。损伤识别试验研究表明，所提出的证据合成方法优于经典的D—S合成法则：相对于传统的基丁．单一损伤信息的损伤识别而言，基于多源损伤信息能够有效降低损伤误判的可能性，获得准确性、鲁棒性更好的损伤识别结果。在结构的损伤检测中，由于传感器数量、测试噪声等因素，限制了结构损伤检测与识别的能力。考虑到不同损伤识别方法在检测过程中识别的精度不同、使用单一的损伤检测识别方法所获得的信息是不全面的情况，周春芳114钏运用D．S证据理论将各种识别不同精度的检测方法结果进行融合，使最终识别的结果更为可靠、精确。郭惠勇等人【102,139,145-1481进行了一系列将D—S证据理论等数据融合方法应用于结构损伤检测的研究。在～¨警结构的损伤诊断领域，采用模态应变能方法对多损伤识别的结果一般不太稳定，易产生误判现象。基丁此，提出了一种基于模态应变能与频率的信息修正识别方法，即首先利．}}j应变能方法对结构损伤问题进行了初步的识别并获得局部决策，然后引入了频率识别方法以获得补充决策信息，最后利用证据融合理论对所获得的局部决策进行了信息融合修正，从而获得精度和识别效果更高的整体决策信息。后来，他们用频率和模态数据作为不同的信息源，分别用多损伤位置保证标准(MDLAC)和频率变化损伤检测方法(F进行融合计算，得到整体决策结果，最后用钢桁架的数值试验验证了该方法的有效性。研究发现，在多损伤识别方面，所提出的方法是可行的、有效的；3种融合方法比MDLAC和FCDDM两种损伤识别方法都要好，在测量噪声相对qt曼d,的情况小，它对损伤识别几乎没有影响；3种融合算法中，D．S证据理论相对更有效，且它还不需要知道任何先验概率，但是它的计算速度要慢于贝叶斯决策方法。为了解决证据融合理论中的不同证据应具有不同的重要性的问题，他们提出了基于改进加权D．s信息融合的结构多损伤位置识别方法。该方法利用加权平均值和优先权的证据分布形态对证据进行了加权调整，调整后的证据保证了加权平均值不变以及优先权证据分布形态的稳定。仿真结果表明，采用了证据融合方法的多损伤定位，可以产生比单一信息源更精确、更完全的估计和判决，而基于改进加权证据融合技术具有更好的对多损伤定位的识别，优予基本D．S证据组合方法以及其它加权证据组合方法。为了能够在决策中考虑信息的不确定性和专家的主观知识，提高运用多传感器数据融合信息对故障诊断决策的诊断率，Fan&Zuotl49】提出了一种改进证据理论方法，它通过模糊隶属度函数、重要性指标和冲突因子来修正实际应用中D．S证据理论中的证据充足、证据重要性好冲突证据的影响，在此基础上提出了新的决策组合准则。(3)模糊理论该方法是用某种模型系统地反映数据融合过程的不确定性，并通过模糊推理来完成数据融合。其中模糊聚类虑用模糊数学方法确定样本的亲疏程度，来实现模式分类与故障诊断。模糊测度和模糊积分是传统度量理论的扩展和补充，它们充分考虑了标准的重要性之间的关系，因此在分类与识别领域的廊用具有极好的满力。Liu等人[150]运用模糊测度和模糊积分，提出了一种新的故障诊断数据融合方法。该方法一个特征级模型和决策级模型，用模糊聚类方法来识别特征集与典型模式之间的关系，从而建立特征与已知模式之间的映射关系。Boutros和Liangfl引J提出了一种简单、有效基于模糊逻·I-06I· 辑和S删推理机的数据融合方法，它将4个其他不同的状态指标集成一个单一的、综合模糊融合指标中，崩来进行快速故障检测与诊断，并将该方法用米对机床和轴承的状态监测和评估。研究发现，模糊融合指标具有很好的通用性和I鲁棒性，它可以清楚地将正常和异常的状态区分出来。郭惠勇等人lI"1分别用贝叶斯决策、D—s证据理论和模糊逻辑3种不同的融合算法对桁架桥梁的损伤位置进行了检测，数值试验发现，在多损伤识别方面，所提出的方法是可行的、有效的；3种融合方法在测量噪声相对很小的情况小，它对损伤识别几乎没有影响。为了有效利用多源传感器数据，减少数据中的不确定性和随机性及其对损伤检测和识别精度的影响，提高数据融合系统的识别精度和鲁棒性，很多学者利用神经网络的自学习来自动提取模糊规则，运用模糊神经网络进行数据融合计算，取得了不少的成果⋯3’133’152l。文献[113]通过构造模糊神经网络分类器，提出了一种基于模糊神经网络的数据融合结构损伤识别方法。它先通过数据预处理，提取原始响应信号中的特征参数，接着将之作为模糊神经网络的输入，构造模糊神经网络模型进行识别决策，最后运用数据融合算法，计算出数据融合后的决策结果。为了验证所提方法的有效性，通过一个7自由度的建筑模型，分别用单一模糊神经网络决策器和数据融合损伤识别方法进行了损伤识别和比较。研究结果表明：所提方法比单一决策结果更准确、可靠。此外，为了有效地将各种不确定处理技术有机地集成，以提高系统的鲁棒性，文献f133]将模糊神经网络与D．S证据理论有机地结合在一起，提出了基于FNN与D．S理论的新型数据融合损伤识别方法：它先构造FNN分类器进行损伤模式的初步检测与评价，然后将各FNN的评价结果作为各个证据体，运用Manhanttan距离和贴近度来构造各证据体的基本概率赋值，基于D．S证据组合原则，计算出组合基本概率赋值和信任函数值，最后根据判别准则进行最后决策。通过一个七层剪切型框架结构损伤模式识别的数值算例，表明所提出的方法明显比单独运用FNN的总体识别精度有明显提高，也显著地提高了个别模式的识别精度，该方法具有很好的鲁棒性。(4)神经网络方法及技术集成神经网络算法是在现代神经生物学和认知科学对人类信息处理研究成果的基础上提出的，它具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力。近年来，神经网络已经被成功地应用于信息融合中的状态估计、模式识别与故障诊断等问题。杨Ⅱ军与王福明[1531采用小波包进行噪声过滤、剔除和特征提取，然后运用紧致性小波神经网络进行故障诊断和识别，最后将识别结果运用D—S证据理论进一步融合，来提高故障诊断率。文中提出的方法利用了小波神经网络良好的局部分析能力和融合特性，应用D—S证据理论提高了小波神经网络对于不确定性故障的分析，提高了发动机故障诊断的精确度。此外，该方法以完全正交的小波局部函数作为神经网络激励函数，以代替径向基网络模型中不完全正交的Gauss激励函数，也有效地解决了径向基网络模型等局部逼近神经网络的缺点。由于．采用单一方法进行数据融合计算往往具有一定局限性，将将神经网络与其他方法相结合进行信息融合技术的研究效果显著，已经形成了一种趋势。例如，D—S证据理论与神经网络、模糊集与神经网络、小波与神经网络、以及遗传算法(进化算法及粒子群算法)与神经网络等的结合。各种方法进行技术集成逐渐成为数据融合算法研究与应用的重点。Li等人⋯2'b4J提出了一种将香农熵、基于信息融合的D．S证据理论和BP神经网络相结合的结构损伤识别方法，以有效地减少损伤识别中的不确定性影响。它首先用几个独立的具有不同输入的BP网络进行初步损伤决策；为了给出不同神经网络对损伤识别具有不同的识别精度及贡献，采用遗传算法获得不同网络模型的最优加权系数，其中加权系数最大的神经网络得到的决策是最可靠的：将获得加权系数第一大和第二人的神经网络决策进行组合，获得基于D．S证据理论的损伤识别：接着将具有最火加权系数的神经网络决策与通过信息融合得到的香农熵分别进行计算，来测度决策的不确定程度。由于决策具有较小的不确定性，将具有最小熵的决策保留到下一次信息融合过程中进行，将将它即具有最小熵的决策与具有第二火加权系数的神经网络决策进行组合。以上操作重复进行，直到具有最小加权系数的神经网络进行融合。对滨州黄河长江大桥进行了数值模拟研究以验证所提方法的准确，仿真结果表明，当测鼙噪声程度相同时，由于该方法采瑚了不同加权和选择的信息融合技术，与单独使用神经网络及商接州信息融合技术相比，它可以提高损伤识别的准确性。·I。062· 姜绍飞等【n51在研究了数据融合与损伤检测、神经网络相融合可行性的基础上，对数据融合在故障诊断与损伤检测领域的应用进行了总结；研究了运用傅立叶变换、小波／包分析、希一黄变换等技术进行噪声剔除和特征提取，运用加权法、BP网络、PNN、FNN进行数据融合计算的多阶段结构损伤检测方法，并通过框架实验数据、框架及拱桥数值模型进行了相关方法的验证，研究表明它们进行损伤检测是可行的、有效的，有较强的容错性和抗干扰性155，113。14，1551。为了进一步提高数据融合系统对海量、不确定数据处理的能力及对损伤识别的鲁棒性，后来又研究了运用D-S证据理论进行损伤识别存在的问题、改进方法及应用之后，提出了将D-S证据理论与BP网络、PNN、FNN结合的数据融合损伤识别方法Il们’l¨J"J。总之，数据融合技术今后的研究和发展方向应包括以下几个方面：(1)建立具有通用的数据融合模型标准和系统结构标准。(2)将数据融合技术应用到更广泛的新领域。(3)改进融合算法以进一步提高融合系统的性能。目前，将模糊逻辑、神经网络、遗传算法／粒子群算法、支持向量机、小波变换等计算智能技术有机地结合起来，已经成为一个重要的发展趋势。各种算法按照优势互补原则相互结合，以克服单独使用一种算法所存在的不足。(4)开发相应的软件和硬件，以满足具有海量数据且计算复杂的多传感器网络系统融合的要求。2．5‘分形理论与计算分形理论的研究与发展揭示了非线性系统中有序与无序的统一，确定性与随机性的统一，给人们提供了全新的观念与手段来处理以前的许多难题。分形理论本意是不规则的、破碎的、分数的，它可以描述传统的欧几里德几何所不能描述的一大类无规则的几何对象，它通过分形维数(分维)在状态空间中来定量描述、刻画非线性系统行为的复杂性，来度量信号的不规则度。由于土木工程的许多问题是非线性、复杂的，因此近几年有部分学者尝试将分形理论应用于土木工程材料、岩土工程、地震工程、故障诊断以及结构损伤检测等领域1156-161|。工程结构所处状态不同(健康或有损伤、损伤程度不同)时，其振动响应信号的分形维数也将发生变化，可用此作为判断信号状态的特征量。王步字【l61】及Cao[1621分别用分形维数来提取混凝土结构、梁及框架发生破坏的损伤特征信息，来评价结构的工作状态。研究表明，结构不同部位的损伤以及同一部位的不同损伤程度，其振动信号的分形维数均有明显的变化，可以用分形维数作特征量进行损伤检测与状态评估。后来，王步宇11601利用神经网络强大的非线性并行处理能力以及分形几何不依赖于系统数学模型的特点，将分形维数与神经网络相结合，建立了结构损伤的分形神经网络检测方法。研究结果表明，结构不同状态下的振动信号的分形维数有明显的不同，将分形维数作为结构损伤检测的特征量，可用神经网络将结构的不同状态模式识别出来。再后来，他1163】用归一化后的同有频率和模态分量数据作为BP网络输入对一两层框架进行损伤评估，与用小波包分析和分形维数计算结构加速度信号并提取特征作为小波分形神经网络的输入进行比较。研究表明，用分形方法从经小波分析的数据中提取神经网络的训练样本能较好地反映损伤特征；小波神经网络的损伤识别精度要高于BP网络，尤其在测量噪声较大的情况下。然而，由于实测响应中常常包含背景信号和噪声，要获得准确的分形维数必须将他们剔除，程军圣等人【j3】利用EMD方法将转子振动信号进行分解，得到若干个基本模式分量，然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号，求得降噪后的转子振动信号的分形维数，作为刻画转子’工：作状态和故障类型的特征量。试验数据的分析结果表明，在不同的故障状态下，采用EMD方法对转子振动信号降噪后求得的分形维数是不同的，从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。由于数据融合和分形理论在结构损伤识别领域各具优点，因此，文献【156】在简要介绍了分形理论的发展历程及基本原理之后，对其在国内外的土木工程材料、岩七工程、地震工程、结构损伤检测领域中的应用原理、现状进行了总结和述评，提出了将分形与数据融合、神经网络技术结合起来，采用分形理论简化海量数据并从结构响应中提取特征，以简化计算利推理时间，然后利用数据融合、神经网络技术将特征参数进行特征级、决策级数据融合，从而得剑对结构健康状况的综合评估。分别用盒维数和关联维数作为某2跨钢管混凝土拱桥(图·J-063· 6)结构损伽的特征昔．并将它与概率神经阿络和数据融台技术集成．对拱桥4种不同损伤模式逗刈该融合系统进行丁识别，部分识剐结果见图7和图8。结果表明，该系统在具有噪声的情况F进行损伤检鲥与识别是可行的、有效，且噪声越大识别精度越低：在相同噪声情况下，关联维数作为特征昔的识*0精度要高丁盒维数；决策级模颦的识94效果要好丁特征级模型的。此外．还与运_E}j基丁盘维数损伤指标z值进行了结构损伤识别比较。F_■——一睫貉陵蒹蠢嘲紧鳖：竺∑．．．．二一二．__立!p’，．‘然黧图6某钢管混稚土挑桥及有限元模型Fi96Aconcrek-filledⅢ∞1tubuluanhbrldgcaoditsfiniteeI㈣modell美雠萝孽随薰脚7特征级融合模型损伤识射结果图8决簧级融台模型捣伤识别结果F。g7P,csu}tsofdamageldentmcauonusi．gclg∞一levelmodelFi98Resu]lsofdarWld∞tlmm⋯smgmision-Icvclmodcl26粗糙集粗糙集理论是波兰数学家ZdzislawPawlak于1952年提出的一种用于处理不完整不精确知识的数学方亍圭”吲。该理论不需要任何预备的或额外的先验知识，能有效分析和处理不精确、不一致、不完整等各种不完备数据，并从中按现隐含的知_If!，揭示潜在的规律。其中数据约简是重要技术．通过数据约简可以在保持分类一致的约求r简化数据，从而削减冗余对象与属性、寻求属性的最小子集。该理论近年日盏受到重视，在信息处理，自动控制、故障诊断、模式识别、机器学习、决策分析等领域产生了令人关注的应用㈣川。与其他智能信息处理比．粗糙集理论有几个特点：①不需要先验知识。模糊集和概率统计方法是处理不确定信息的常用方法．但这些方法需要一些数据的附加信息或先验信息，如模糊隶属函数和概率分布等，这些信息有井不存易得到。粗糙集方法仅利刚数据本身提供的信息，无须任何先验知识。@粗糙集是一个强人的数据分析【．具。它能表选和处理不完备信息：能在保留关键信息的前提F对敷据进行化简并求得訇』识的最小表达式：能识别井评估数据之间的依赖关系．揭示出概念简单的模式：能从经验数据中获取易丁证实的规则知识，特*0适丁智能控制。@粗糙集与模糊集分别刻画了不完备信息的两个方面：檀糙集以不可分辨关系为基础．侧重分类．模糊集基丁元素对集台隶属程度的不同．强调集台本身的含混性。虽然粗糙集和模糊集特点不同，但它们Z问有着密切的关系，有根强的互补性：粗糙集和证据理论也有一些相互交叠之处．在实际应刚中可以相互补充。 基丁．以上特点，粗糙集与其他不确定信息理论相融合，如粗糙集与模糊理论、D。S证据理论、概率统计融合，粗糙集与神经网络、遗传算法融合，粗糙集与图象处理融合等。胡学钢等117列提出的一种基于粗糙集合理论的朴素贝叶斯分类算法，利用粗糙集合理论对遗失数据进行处理，通过属性约简改善条件属性间的依赖性，找到一组最近似独立的属性约简结果，改善了朴素贝叶斯分类器的性能。在混凝士结构的常规检查中，Kima&Kim&Leetl671提出了一种基于粗糙集的分类方法，通过不充分、不精确的观测特征来确定裂缝产生原冈的类别。对丁‘海量及部分重要信息缺失的实测数据，粗集理论可以完成数据的空间降维和不精确、不完整信息的特征提取，它已被应用于模式识别、自动控制及各种各种智能信息处理等领域[17,101-175】。当信息系统中存在缺失数据时(称不完备信息)，一般采用删除含有未知值的对象，或采用填补的方法用一个已知的值去代替未知值，或在不改变原信息系统的前提下直接处理等，有人提出了用矩阵重新描述信息表中等价关系的矩阵算法。宫俊与唐加福【l乃J以分配矩阵的距离作为属性重要度，基于相容关系提出一种遗传算法的分配约简算法，并通过实例说明该算法能够找到不完备信息系统的属性约简。胡金海等人【168】将粗糙集理论的属性约简与核主元分析方法结合起来，提出一种基于粗糙核主元分析的故障特征提取方法。该方法首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征，降低输入特征维数，排除干扰特征的影响，减小了特征提取计算量；然后再采用核主元分析方法进一步提取非线性特征：最后将该方法应用于轴承故障特征提取及故障识别中。应用结果表明，所提出的粗糙核主元分析方法(RKPCA)与传统的KPCA、PCA方法相比，使整个样本集的可分性变大，提高了分类正确率：同时还有效地降低了输入特征维数，提高了分类效率；并且对分类器具有较强的适应性和鲁棒性。文献[】741采用多值构建方法(Multiple．valuesconstrictionmethod，MVCM)进行不完备数据的处理以进行模式分类。MVCM通过模糊理论来实现缺失、不连续数据的添加及不确定性的处理，并提出了一种不完备分类数据的近优算法。为了降低海量数据的空间维数，并有效地处理来自健康监测系统大量的不确定数据，将粗糙集与数据融合等各种技术相结合用于健康监测／检测是今后的发展趋势。一些学者已经做了有益的尝试【1似171,174-175】。姜绍飞11鲫‘1¨】在研究了粗糙集与数据融合的特点与共性之后，探讨了两者两者相结合用于损伤识别之中的适用性之后，研究了粗糙集与PNN相结合的数据融合损伤识别方法，提出了一种将粗集、数据融合和概率神经网络(PNN)有机地结合在一起的损伤识别新方法。它先用粗集进行属性约简来降低数据的空间维数，然后运用PNN进行融合计算来处理冗余、不确定信息，最后进行融合决策和损伤识别。此外，还研究了数据离散方法对粗集属性约简及损伤识别的研究，提出了运用K_均值聚类的方法进行数据离散的处理方法；对约简准则也进行了研究，分别探讨了属性重要度及自组织映射(SOld)方法约简准则对损伤识别的影响。为了验证所提方法的有效性，对2个数值算例的多种损伤模式进行了识别，并与没有经过粗集处理的PNN损伤识别方法进行了比较。研究发现，数据离散方法及约简准则对损伤识别精度有一定的影响，提出的方法不仅可以降低数据的空间维数，而且具有很好的损伤识别精度以及鲁棒性。2．7进化计算进化计算代表性的技术有遗传算法(GA)、粒子群算法，它们是基于适者生存，优胜劣汰的进化原则来搜索下一代的最优个体，以达到满足要求的最优解。作为一种优化算法，它不需要对目标函数进行求导，且求解是全局性的，因此它被比较广泛地应用于结构优化、传感器布设、故障诊断与损伤检测等领域【l”’l玲。77J。Furutall76】提出将GA与特征灵敏度相结合的损伤定位方法，并用模拟梁和实测板进行了验证．该方法的优点是不仅可以对结构进行灵敏度分析，而且可以遗传算法对包含损伤位置信息的目标函数进行全局优化，缺点在于计算分析复杂，计算时间比较长．目前常用的振动检测方法是将灵敏度分析与优化算法相结合使实测响应与理论分析数据之间的差异最小米实现的。然后由丁传统的优化方法多数是基于梯度方法求解得到最小值的，但往往只是一个局部极小值；而GA则是在整个搜索空间内寻找全局最优解。基于，HongHaoandYongXia[177】运用遗传算法，通过求目标函数的最小值达到识别结构损伤的目的。最后通过1根实验室的实测悬臂梁和一榀框架来验证了所提方法的有效性和可行性。此外，一些学者尝试将GA与其他技术如神经网络、小波／包分析、模糊神经网络、有限元分析等相结合，来解决现实中的一些难题，获得了比较好的效果也是今后发展的方向。Lei等人Ib5l则提出一种将EMD、模糊神经网络(FNN)与GA相结合的新·I．065· 犁旋转机械故障诊断方法，它首先用滤波、EMD等技术对振动信号进行除噪处理，然后提取特征，获取非常有用的典型特征信息，获得6组时．频域的特征集：其次，采用改进的距离评价函数进行特征选择，获得对故障诊断非常重要的特征；最后将这些重要的特征结合放入几个FNN之中，每个FNN模型的重要性因子采用GA进行优化获得，最后再进行加权平均得到最终的故障模式与评价。总之，进化计算是来自生物仿生学的计算技术，它具有比较高的智能，采用并行计算、较好地处理不确定性、不需要显式表达式和求导，以及获得的解是全局最优解等优点，但是计算比较复杂，耗时比较多，且削丁．实际I：稃中的例子有待于进一步研究与推广。3发展与展望综上所述，智能信息处理技术是21世纪人类生活中离不开的高新技术，它是结构健康监测与检测领域的数据信息处理的有效技术之一。但是，结构健康监测及智能信息处理还有许多问题需要进一步研究：(1)测量噪声：在结构控制实验或长期监测中，仪器设备的精度、环境的干扰、人为的误差都不可避免地会使观测数据受到噪声的“污染”。(2)模型误差：土木工程结构在设计、分析计算时允许有相对较大模型的误差。但是如果用于健康检测的模型存在较大的误差，会使计算的动力特性产生与损伤引起的动力特性改变相当，甚至更大的偏差，这可能使那些基于动力特性的损伤检测方法变得误差很大，甚至失效。(3)实测数据海量、部分重要信息不完整：土木工程结构通常体积巨大、型式复杂，受现场条件和测试仪器的限制，一般只对有限关键性的反映结构状态的特征参量进行监测，并且测点数量有限使得信息不完整；即使大型结构安装了健康监测系统，一方面由于各种类型的传感器会产生海量的数据，另一方面由于传感器的损坏及退化等原因而使某些重要的数据缺失。(4)局部损伤不敏感：损伤通常发生在结构的局部区域，只对反映结构局部振动特性的高阶模态响应影响显著，而对反映结构整体振动特性、能够观测的低阶模态响应影响较小。(5)工作环境及运行荷载变化：即使处于正常状态的结构也会由于温度、湿度等环境条件的变化以及荷载等运行状态的变化，造成实测数据在一个较宽的范围内变化。(6)结构健康监测技术研究：现有的很多检测技术在实验与理论分析是很有效的，但在实际应用中存在许多问题。为此，应该加大研究各种智能信息处理方法的技术集成，将现代信号处理、神经网络、模糊理论、数据融合、分形理论、粗糙集、进化计算等方法综合与集成，充分发挥它们在处理海量、不精确、不确定数据与并行计算等方面优越的能力，来解决实际工程中存在的各种难题。参考文献【llAktanAE，eta1．Issuesininfrastructurehealthmonitoringformanagement[J]．JoumalofEng．Mech．，2000，4：711．724．【2】KoJM，NiYQandChanTHT．Dynamicmonitoringofstructuralhealthincable·supportedbridges[A]．SmartSyStemsforBridges，Structures，andHighways[A]．SCLiu(eds．)，SPIE，1999，3671：161—172．【3】KoJM，NiYQ．Technologydevelopmentsinstructuralhealthmonitoringoflarge—scalebridges[J]．EngineeringStructures．2005．27：1715一1725．【4】4OujPandLiH．Theart-in—the—artandpracticeofstructuralhealthmonitoringforcivilinfrastructuresinChina[A]．StructuralHealthMonitoringandIntelligentInfrastructure[C]．China2006：69-88．【51OuJPandLiHui．Structuralhealthmonitoringintegratedsyaemsandtheirimplementationininfrastructures[A]．ProceedingsolIStructuralDisasterPrevention，MonitoringandControl[C]．Eds．ByHongnanLiandTinghuaYi．ChinaArchitecture&BuildingPress．Dalian．2008：42-68．【6】WuZhishen，YangCaiqian．LiSuzheneta1．StructuralidentificationtheoriesandSHMdesignmethodologybasedondynamicandstaticdistributedsensingtechniques[A]．ProceedingsofStructuralDisasterPrevention，MonitoringandControl[C]．Eds．ByHongnanLiandTinghuaYi．ChinaArchitecture&BuildingPress，Dalian，2008：200．252．【7】李宏男等．结构健康监测【M】．人连：大连理T火学⋯版礼．2005．·I．066" 【81袁慎芳．结构健康监控【M】．北京：国防工业出版社，2007．【9】9ParkSeunghee，InmanDanielJ，LeeJong-JaeandYunChung—Bang．Piezoelectricsensor-basedhealthmonitoringofrailroadtracksusingatwo·stepsupportvectormachineclassifier[J]．JournalofInfrastructureSystems，2008，14(1)：80--88．【101ZhaoXuefeng，GouJihua,SongGangbing,OuJinping．StrainmonitoringinglassfiberreinforcedcompositesembeddedwithcarbonnanopapersheetusingFiberBraggGrating(FBG)sensors[J]．CompositesPartB：Engineering,2009，40(2)：134·140．【11】刘斌，姚永丁，叶贵如．斜拉桥传感器优化布点的研究【J】．工程力学。2005，22(5)：171—176．【12】詹训慧．下．永．考虑粘贴效应和测量噪声的压电作动器／传感器优化配置叨．振动与冲击，2008，27(2)2008：143．148．【13】张政华．毕丹，李兆霞．皋于结构多尺度模拟和分析的大跨斜拉桥应变监测传感器优化布置研究川．工程力学，2009，26(1)：142．148．【14】MebrabianA1LYousefi·KomaA．Anoveltechniqueforoptimalplacementofpiezoelectricactuatorsonsmartstru咖res[j]．J。Franklinlnst．(2009)，doi：10．1016／j．jfranklin．2009．02．006．【15】PapadimitriouC．Optimalsensorplacementmethodologyforparametricidentificationofstructuralsystems[J]．JournalofSoundandVibration，2004，278：923·947．【16】姜绍飞。杨博，吴兆旗．基于易损性分析的桁架桥传感器布设方法【A】．第18届全国结构工程学术会议论文集【C】．北京：工程力学出版社．2009．【17】高隽．智能信息处理系统导论【M】．北京：机械工业出版社，2004．【18】李宏男等．土木工程结构安全性评估、健康监测及诊断述评【J】．地震工程与工程振动，2002，22(3)：82．90．[19】AveiEngill'SengurAbdulkadir,HanbayDavut．Anoptimumfeatureextractionmethodfortextureclassification[J]．ExpertSystemswithApplications，2009，36：6036-6043．【20】SaravananN，RamachandranKI．Acasestudyonclassificationoffeaturesbyfastsingle-shotmulticlassPSVMusingMorletwaveletforfaultdiagnosisofspurbevelgearbox[J]．ExpertSystemswithApplications，2009，36：10854-10862．【2l】AvciEngin，TurkogluIbrahim．AnintelligentdiagnosissystembasedonprinciplecomponentanalysisandANFISfortheheartvalvediseases[J]．ExpertSystemswithApplications，2009,36：2873—2878．【22】辛学忠，苏木标，陈树礼等．大跨度铁路桥梁健康状态评估的统计对比诊断方法研究【J】．铁道学报，2006，28(2)：116．121．【23】崔飞，袁万城，史家钧．基于静态虑变及位移测量的结构损伤识别法【J】_同济大学学报，2000，28(1)：5．8．【24】冯新，李国强，周晶．土木工程结构健康诊断中的统计识别方法综述【J】．地震工程与工程振动，2005，25(2)：105．113．【25】DoeblingSw，FarrarCR．，Prime，M．B．Asummaryreviewofvibration-baseddamageidentificationmethods川．ShockandVibrationDigest,1998，30(2)：91·105．【26】FarrarC艮DoeblingSw，DuffeyTA．Vibration-baseddamagedetection[A]．In：SD2000[C]．1999,Struct．Dyn．Forum．【27】LiHN．LiDSandSongGB．Recentapplicationsoffiberopticsensorstohealthmonitoringincivilengineering[J]．EngineeringStructure，2004，26：1647-1657．【28】LuZAandXiaXC．Studyandapplicationoffiberopticgratingintelligentmaterials[A]．Proe．of2ndInter．ConeonStructuralConditionAssessment，MonitoringandImprovement[C]．China,2007：954-958．【29】汤凯，刘济科．考虑不确定因素的结构损伤定位方法川．固体力学学报，2007，28(2)：189．194．【30】尹涛，朱宏平，余岭．基于敏感性的结构损伤识别中的噪声分析【J】．应用数学和力学，2007，28(6)：659．667．【3l】吴新砭，周丽．基于有限范围自适应卡尔曼滤波的结构损伤识别方法【J】．振动工程学报，2007，20(4)：401-406．【32】HuangNE，ShenZ，andLongSR．Anewviewofnonlinearwaterwaves：TheHilbertspectrum[J]．Annu．Rev．FluidMech．，1999，31：417．457．【33】程军圣，于德介，杨宇．基于EMD和分形维数的转子系统故障诊断【J】．中国机械工程，2005，16(12)：1088．1091．【34】宫俊．庸加福．基于不完备信息系统的分配约简的启发式算法【J】．东北大学学报，2007，28(1)：19．22．【35】丁康，陈健林．苏向荣．甲稳和1F平稳振动信口．的若干处理方法及发展阴，振动工程学报，2003，16(1)：1．10．f36】任伟新，韩建刚，孙增寿．小波分析在士木工程结构中的应用【M】．北京：中国铁道出版社，2006．【37】周福吕，陈进，何俊，等．循环、r稳信号处理在机械设备故障诊断中的应用综述[J】．振动与冲击，2006，25(5)：148—155．【38】RedaTahaMM，NoureldinA，LuceroJLandBacaTJ．Wavelettransformforstructuralhealthmonitoring：Acompendiumofusesandfeatures[J]．StructuralHealthMonitoring，2006。5(3)：267-295．f39】HanJian·Gang,RenWei·Xin，HuangYih．Amultivariablewavelet·basedfiniteelementmethodanditsapplicationtothickplates[J]．FiniteElementsinAnalysisandDesign．2005．4l：821—833．f40】LawSS．LiXYandLuzR．Structuraldamagedetectionfromwaveletcoefficientsensitivitywithmodelerrors[J]．JournalofEngineeringMechanics．2006．132(101：1077．1087．·I-067" 【4IJ【42】【431【44]【451[46】【471【48][49】【50】【5I】【52】[531【54】[55】【56】【57】【58】[59]【60】16lJ【62】[63]【64】【65】【66】【67】【68】【69】f70】【7i1张辉，L淑娟，张青森，翟国富．基十小波包变换的滚动轴承故障诊断方法的研究【J】-振动与冲击，2004,23(4)：127-130．ZhuKunpeng,WongYokeSan，HongGeokSoon．Waveletanalysisofsensorsignalsfortoolconditionmonitoring：Areviewandsomenewresults[J]．InternationalJournalofMachineTools&Manufacture，2009，49：537-553．LeiYaguo，ZuoMingJ．GearcracklevelidentificationbasedonweightedKnearestneighborclassificationalgorithm[J]．MechanicalSystemsandSignalProcessing，2009，23：1535一1547．WuJian—Da,ChanJian—Ji．Faultedgearidentificationofarotatingmachinerybasedonwavelettransfomandartificialneuralnetwork[J]．ExpertSystemswithApplications，2009，36：8862—8875．徐长发，李国宽．实用小波分析方法【M】．武汉：华中科技大学出版社，2001．SunQiao，TangYing，LuWeiYang,JiYuan．Featureextractionwithdiscretewavelettransformfordrillwearmonitoring[J]．JournalofVibrationandControl，2005，1l(11)：1375·1396．RobertsonAN，FarrarC＆SohnH．Singularitydetectionforstructuralhealthmonitoringusingholderexponents[J]．MechanicalSystemsandSignalProcessing,2003，17(6)：l163-l184．刘伟，龙琼，刘光斌．基于奇异性的小波消噪技术m．现代雷达，2002，24(6)：56．59．DonohoDL-De-noisingbysoft-thresholding[J]．IEEETransactionsonInformationTheory，1995，41(3)：613．627．DonohoDL，JohnstoneIM．Adaptingtounknownsmoothnessviawaveletshrinkage[J]．JournaloftheAmericanStatisticalAssociation．1995．90(4321：l200-1224．王志华，张伟伟，马宏伟．小波分析识别裂纹参数中的噪声影响【J】．机械强度，2007，29(4)：562．568．朱宏平，翁顺．运用小波分析方法进行结构模态参数识另d[r1．振动与冲击，2007，26(4)：1．5．SaravananN，RamachandranKI．Acasestudyonclassificationoffeaturesbyfastsingle．shotmulticlassPSVMusingMorletwaveletforfaultdiagnosisofspurbevelgearbox[J]．ExpertSystemswithApplications，2009，36：10854-10862．AvciEngin，TurkogluIbrahim．AnintelligentdiagnosissystembasedonprinciplecomponentanalysisandANFISfortheheartvalvediseases[J]．ExpertSystemswithApplications，2009，36：2873-2878．姜绍飞，徐云良，张春梅．基于小波包分解的数据融合损伤识别方法【J】．沈阳建筑大学学报，2006，22(6)：881．884．JiangSF，ZhangGYangXN．Damageidentificationofsteelstructuresbasedonwaveletprobabilisticneuralnetwork[A]．CKChoi，HWLeeandHGKwakedn．ProceedingsoftheSecondInternationalConferenceonSteel&CompositeStructures[C]．2004，Korea：722·732．杨晓楠，姜绍飞．基于能量特征的小波概率神经网络损伤识别方法【J1，兰州理工大学学报，2005，31(3)：123．126．TafreshiILSassaniF，AhmadiH．AnApproachfortheconstructionofentropymeasureandenergymapinmachinefaultdiagnosis[J]．JournalofVibrationandAcoustics，2009，131：24501·24507．丁幼亮，李爱群，基于振动测试与小波包分析的结构损伤预警【J】．力学学报，2006，38(5)：639．644．丁幼亮，李爱群，韩晓林．基于小波包分析的结构实时损伤报警数值研究【J】．东南大学学报，2003，33(5)：643．646．JuangChia-Feng,ChengChun·Nan，ChenTai—Mao．Speechdetectioninnoisyenvironmentsbywaveletenergy-basedrecurrentneuralfuzzynetwork[J]．ExpertSystemswithApplications，2009，36：321—332．任宜春．基于小波分析的结构参数识别方法研究【D】．长沙：湖南大学，2007．杨晓楠，姜绍飞，唐和生．小波函数的选择对结构损伤识别的影响[J]，沈阳建筑大学学报，2005，21(6)：635—639．AtkinsonlanC．KamalabadiFarzad．Basisselectionforwaveletprocessingofsparsesignals[J]．SignalProcessing，2008，88：2340—2345．HuangkAviyenteS．Information-theoreticwaveletpacketsubbandselectionfortextureclassification[J]．SignalProcessing．2006，86(7)，1410一1420．HuangNE，ShenZ，LongSR．Anewviewofnonlinearwaterwaves：theHilbertspectrumfJ】．Annu．Rev．FluidMech，1999，3l：417-457．陈隽。徐幼麟．HHT方法存结构模态参数识别中的应用【J】．振动T程学报，2003，16(3)：383．388．×uYL．Systemidentificationandstructuraldamagedetection：EMD+HTapproach[A]StructuralHealthMonitoringandIntelligentInfrastructure[C]．Edus．ByOu，Li&Duan．Talor＆FrancisGroup，London．Shenzhen，China,2005：207．217．XuYL．ChenJ．Structuraldamagedetectionusingempiricalmodedecomposition：experimentalinvestigation[J]．JournalofEngineeringMechanics，2004，130(11)：1279—1288．ChenJ．XuYLandZhangRC。ModalparameteridentificationofTsingMasuspensionbridgeunderTyphoonVictor：EMD·HTmethod[J]．JournalofWindEng．1nd．Aero．．2004．92：805．827．YangJN．LeiY．PanS，HuangN．SystemidentificationoflinearstructuresbasedonHilbertHuangspectralanalysis．Partl：·l-068· normalmodes[J]．EarthquakeEngineeringandStructuralDynamics．2003，32：1443—1467．【721YangJN．LeiY，PanS．HuangN．SystemidentificationoflinearstructuresbasedonHilbertHuangspectralanalysis．Part2：complexmodes[J]．EarthquakeEngineeringandStructuralDynamics，2003，32：1533—1554．【73】YangJN，LeiY，LinSandHuangN．Hilben—Huangbasedapproachforstructuraldamagedetection[J]．JoumalofEngineeringMechanics，ASCE，2004，l30(1)：85·95．【74】LeiYaguo，HeZhengiia,ZiYanyang．ApplicationoftheEEMDmethodtorotorfaultdiagnosisofrotatingmachinery[J]．MechanicalSystemsandSignalProcessing，2009，23：1327-1338．【751XuGanglei，WangXiaotong,XuXiaogang．Time-varyingfrequency-shiftingsignal-assistedempiricalmodedecompositionmethodforAM·FMsignals[J]．MechanicalSystemsandSignalProcessing，2009，23：2458-2469．【76】YangJN，LeiY'LinSandHuangN．Identificationofnaturalfrequenciesanddampingsofinsitutallbuildingsusingambientwindvibrationdata[J]．JournalofEngineeringMechanics，2004，130(5)：570·577．【77】姜绍飞．改进希-黄变换的结构响应分析方法【P】．中国：ZL200610046897．7，2009．【781FeldmanMichael．AnalyticalbasicoftheEMD：twoharmonicsdecomposition【J】．MechanicalSystemsandSignalProcessing,2009．23：2059．2071．【79】WuZhaohuaandHuangNE．EnsembleEmpiricalmodedecomposition-AnoiseassisteddataanalysismethodIJ]．AdvancesinAdaptiveDataAnalysis，2009，l(1)：1．41．[80]许宝杰，张建民，徐小力，李建伟．抑制EMD端点效应方法的研究[J]．北京理工大学学报，2006，26(3)：196—200．【81】JuttenC，HeraultJ．Blindseparationofsources，PartI：AnadaptivealgorithmbasedoBneuromimaticarchitecture[J】SignalProcessing,1991，24(1)：1-10．【821Hyv—arinenAapo，KarhunenJuha,OjaErkki．IndependentComponentAnalysis[M]．NewYork：JohnWiley&Sons，Inc．，2001．【83】ComonP．Independentcomponentanalysis，anewconcept[J]．SignalProcessing,1994，36：287·314．【84JBellAJandLoubatonTJ．Aninformation—maximizationapproachtoblindseparationandblinddecomposition[J]．NeuralComputation，1995，7(6)：1004·1034．【85】Chiu，SH．LuCP．NoiseseparationoftheyarntensionsignalontwisterusingFastICA[J]．MechanicalSystemsandSignalProcessing，2005，9：1326-1336．【86】ZangC．FriswellIMI．andImregunM．Structuraldamagedetectionusingindependentcomponentanalysis[J]．StructuralHealthMonitoring，2004，3(1)：69-83．【87】郝忠华．马孝江，王奉涛．非平稳信号的盲源分离分离在机械故障诊断中的应用【J】．振动与冲击，2006，25(1)：11I-114．【88】史习智．盲信号处理一理论与实践【M】．上海：上海交通大学出版社，2008．【89】刘月辉，张俊红，郝志勇．基于独立分量分析的内燃机噪声信号分离【J】．内燃机学报，2005，23(1)：63．66．【90】宋华珠．基于独立分量分析的结构损伤识别研究[DI．武汉：武汉理工大学，2006．【91】ZhouWenliang，ChelidzDavid．Blindsourceseparationbasedvibrationmodeidentification[J]．MechanicalSystemsandSignalProcessing,2007，21：3072·3087．【92】ZuoMingJ，LinJing,FanXianfeng．FeatureseparationusingICAforaone·dimensionaltimeseriesanditsapplicationinfaultdetection[J]．JournalofSoundandVibration，2005，287：614—624．【93】YuSung—Nien，ChouKuan-To．IntegrationofindependentanalysisandneuralnetworksforECGbeatclassification唧．ExpertSystemswithApplications，2008，34：2841—2846．【94】WidodoAchmad，YangBo-Suk．Applicationofnonlinearfeatureextractionandsupportvectormachinesforfaultdiagnosisofinductionmotors[J]．ExpertSystemswithApplications，2007,33：241—250．【95】姜绍飞，林志波．摹-J：d'波包分析和ICA的三阶段结构损伤检测方法【J】．振动与冲击，2009(评审中)．【96】CuiPeiling．LiJunhongWangGuizeng．Improvedkernelprincipalcomponentanalysisforfaultdetection[J]．ExpertSystemswithApplications，2008，34：1210—1219．【97】ZhangYingwei．EnhancedstatisticalanalysisofnonlinearprocessesusingKPCA，KICAandSVM[J]．ChemicalEngineeringScience．2009．64：80l一811．【98】TuncerYalcin，MuratM．Tanik，DavidB．Allison．Anoverviewofstatisticaldecompositiontechniquesappliedtocomplexsystems[J]．ComputationalStatistics＆DataAnalysis，2008，52：2292-2310．【99】MujicaLE，VehiJ，VerleysenM，eta1．Multivariatestatisticprocesscontrolfordimensionalityreductioninstructuralassessment[J]．MechanicalSystemsandSignalProcessing，2008，22：l55·I71．·I．069" f100】虞和济等．基于神经网络的智能诊断【M】．北京：冶金丁业出版社，2000．【i01】VenkatasubramanianVandChanK．Aneuralnetworkmethodologyforprocessfaultdiagnosis[J]．JournalofAIChE，1989，35(12)：1993-2002，【102】GuoHY．Structuraldamagedetectionusinginformationfusiontechnique[J]．MechanicalSystemsandSignalProcessing，2006，20：1173一1188．【103】姜绍飞著．基于神经网络的结构优化与损伤检测fM】．北京：科学出版社，2002．【1041GaoXz，OvaskaSJ．Softcomputingmethodsinmotorfaultdiagnosis[J]．AppliedSoftComputing，2001，1：73·81．【105】ChangKookOha,HoonSohn．Damagediagnosisunderenvironmentalandoperationalvariationsusingunsupervisedsupportvectormachine[J]．JournalofSoundandVibration，2009，325：224·239．【106】WuShellyXiaonan，Banzhafw．Theuscofcomputationalintelligenceinintrusiondetectionsystems：Areview[J]．AppliedSoftComputingJournal，2008，doi：10．1016／j．asoc．2009．06．019【107】姜绍飞，张春梅，金予巍，等．基于BP神经网络和D-S证据理论的损伤识别方法【J】．沈阳建筑大学学报，2007，23(1)：1．5．【108】SamantaB，NatarajC．Useofparticleswarmoptimizationformachineryfaultdetection[J]．EngineeringApplicationsofArtificialIntelligence，2009，22：308-316．【109】KuoCheng-Chien．Artificialrecognitionsystemfordefectivetypesoftransformersbyacousticemission[J]．ExpertSystemswithApplications，2009，36：10304-10311．【I10】SamantaB．Gearfaultdetectionusingartificialneuralnetworksandsupportvectormachineswithgeneticalgorithms[J]．MechanicalSystemsandSignalProcessing，2004，18：625-644．【l111GroxXE．ApplicationofNDTdatafusion【MI．Boston：KluwerAcademicPulishers，2001．【ll2】LjHandBaoYQ．IdentificationofstructuraldamagelocationbasedonBPneuralnetworkandDempster-ShaRerevidencetheory[A]．StructuralHealthMonitoringandIntelligentIn．structure[C]，China,2005：1067-1072．fll3】姜绍飞，张帅．基于模糊神经网络的数据融合损伤识别方法[J】．工程力学，2007，25(2)：95．】01．【114】JiangShao—Fei，ZhangCM，eta1．Structuraldamagedetectionbyintegratingdatafusionandprobabilisticneuralnetwork[J]．AdvancesinStructuralEngineering-AnIntemationalJournal，2006,9(4)：445—458．【115】姜绍飞，殷晓志，刘明．结构健康监测中的数据融合技术川．沈阳建筑大学学报，2005，21(1)：16．19．【I161WangBS，HeZC．Crackdetectionofarchdamusingstatisticalneuralnetworkbasedonthereductionsofnaturalfrequencies[J]．JoumaiofSoundandVibration，2007，302：1037-1047．fll7】wuJian—Da,ChiangPeng—Hsin，ChangYo—Wei，ShiaoYaoqung．Anexpertsystemforfaultdiagnosisininternalcombustionenginesusingprobabilityneuralnetwork[J]．ExpertSystemswithApplications，2008，34：2704-2713．【i18】WuJian—Da,ChanJian·Ji．Faultedgearidentificationofarotatingmachinerybasedonwavelettransformandartificialneuralnetwork[J]．ExpertSystemswithApplications，2009，36：8862—8875．【119】SpechtDF．Probabilisticneuralnetworksforclassification，mappingorassociativememory[A]．ProceedingsoftheIEEEInternationalConferenceonNeuralNetworks[C]．1988．1：525-532．【120】KlenkeSEandPaezTL．Damagedetectionwithprobabilisticneuralnetworks[A]．14thInternationalModalAnalysisConference[C]．1996，USA：99·104．【l2l】YuSung-Nien，ChouKuan-To．IntegrationofindependentanalysisandneuralnetworksforECGbeatclassification[J]．ExpertSystemswithApplications，2008，34：2841·2846．【122】ChertCH．FuzzlyLogicandNeuralNetworkHandbook[M]．NewYork：McGraw．Hill，lnc．，1996．f123】姜绍飞，刘明等．基于自适应概率神经网络的大跨悬索桥损伤定位研究[J]．土木工程学报，2003，36(8)：19(4)：74．78．【124】姜绍飞，杨晓楠，陈兆才，倪一清，高赞明．基于主组分分析的概率神经网络损伤定位研究阴，地震工程与工程振动，2004，24(2)：187·191．【1251GaganisChrysovalantis，PasiourasFotios，DoumposMichael，Probabilisticneuralnetworksfortheidentificationofqualifiedauditopinions[J]．ExpertSystemswithApplications，2007，32：l14—124．【126】LeeJongJac．KimDookie，ChangSeongKyu，eta1．AnimprovedapplicationtechniqueoftheadaptiveprobabilisticneuralnetworkforpredictingconcretestrengthIJ]．ComputationalMaterialsScience,2009，44：988．998．【127】吴今培．现代数据分析【M】．北京：机械工业出版社，2006．【128】扶名福．谢明祥，饶泓．模糊聚类分析法在抽风机故障诊断中应用四．工程力学，2007，24(s1)：36-40．[129]Du氏YeungK．Fuzzytransitionprobability：anewmethodformonitoringprogressivefaults．Partl：thetheory[J]．EngineeringApplicationsofArtificialIntelligence．2004．17：457．467．·I-070" I130】YeongMinKima,CheeKyeongKimb,SungGulHong．Fuzzybasedstateassessmentforreinforcedconcre￡ebuildingstructures[J]．EngineeringStructures，2006，28：1286·1297．【13l】LiTzuu—HsengS，GuoNaiRen，ChengChiaPing．Designofatwo—stagefuzzyclassificationmodel[J]．ExpertSystemswithApplications，2008，35：1482—1495．【132】ZhaoZandChenC．Concretebridgedeteriorationdiagnosisusingfuzzyinferencesystem[J]．AdvancesinEngineeringSoftware．2001．32：3l7—325．【133】姜绍飞，张帅．基于模糊神经网络和证据理论的结构损伤识别新方法【J】．地震工程与工程振动，2008，28(4)：139．145．【134】BalazinskiMarek,CzogalabErnest,JemielniakKrzysztof,eta1．Toolconditionmonitoringusingartificialintelligencemethods[J]．EngineeringApplicationsofArtificialIntelligence，2002，15：73—80．【135】LeiYaguo，Hezhen西i盈ZiYanyang,QiaoHu．FaultdiagnosisofrotatingmachinerybasedonmultipleANFIScombinationwithGas[J]．MechanicalSystemsandSignalProcessing,2007，21：2280—2294．【136】WuJian—Da,HsuChuang—Chin，WuGun—Zhen．Faultgearidentificationandclassificationusingdiscretewavelettransformandadaptiveneuro—fuzzyinference[J]．ExpertSystemswithApplications，2009．36：6244—6255．【137】HallDL．Mathematicaltechniquesinmulti·scnsordatafusionlM]．Boston：ArtechHouse，1992．【138】戴亚、F．刘征，郁光辉，译．多传感器数据融合理论及应用【M】．北京：北京理工大学出版社，2004．【139】郭惠勇．多传感器信息融合技术的研究与进展【J】．中国科学基金，2005(1)：17．21．【140】KleinLawrenceA．SensorTechnologiesandDataRequirementsforITS[M]．Boston：ArtechHouse，2001，【14l】刘涛，李爱群，缪长青，李枝军．基于数据融合的结构损伤识别方法研究【J】．工程力学，2008，25(I)16．21．142]WangXiaoming,FolienteGreg，SuZhongqingandYeLin．Multileveldecisionfusioninadistributedactivesensornetworkforstructuraldamagedetection[J]．StructuralHealthMonitoring，2006，5(1)：45-58．【143】张清华，李乔，唐亮．基于证据理论的结构损伤识别研究【J】．振动工程学报，2007，20(2)：200-205．【144】周春芳，陈勇，孙炳楠．摹于D·S证据理论的结构多精度损伤识别结果融合方泫【J】．振动与冲击，2006，25(6)：5．9．【145】郭惠勇，李正良．基于模态应变能与频率信息修正的结构多损伤识别研究【J】．应用基础与工程科学学报，2008，16(5)：719—925．【146】郭惠勇，张陵，周进雄．基于改进加权D．s信息融合的结构多损伤位置识别叨．工程力学，2005，22(1)：235-240．【147】郭惠勇，张陵，周进雄．不同信息融合方法在结构损伤识别上的应用和分析川．工程力学，2006，23(1)：28．32．【148】GuoH、‘LiZL．Atwo·stagemethodtoidentifystructuraldamagesitesandextentsbyusingevidencetheoryandmicro-searchgeneticalgorithm[J]．MechanicalSystemsandSignalProcessing，2009,23：769-782．f】49】FanXianfeng．ZuoMingJ．FaultdiagnosisofmachinesbasedonD-Sevidencetheory．Panl：D．Sevidencetheoryanditsimprovement[J]．PatternRecognitionLenerS，2006，27：366-376．【150】LiuXiaofeng,MaLin，MathewJoseph．Machineryfaultdiagnosisbasedonfuzzymeasureandfuzzyintegraldatafusiontechniques[J]．MechanicalSystemsandSignalProcessing，2009，23：690—700．【151】BoutrosTony，LiangMing．Mechanicalfaultdetectionusingfuzzyindexfusion[J]．InternationalJournalofMachineTools＆Manufacture,2007．47：1702-1714．【l52】JiangShao—Fei，ZhangChun-Ming,ZhangShuai．Two-stagestructuraldamagedetectionusingfuzzyneuralnetworksanddatafusiontechniques[J]．ExpertSystemswithApplications，2009(inreview)．【153】杨哑军，：l：福明．基于D-S的小波神经网络信息融合方法【J】．弹箭与制导学报，2006，26(4)：266．268．【154】LiHui，BaoYuequanandOuJinping．Structuraldamageidentificationbasedonintegrationofinformationfusionandshannonentropy[J]．MechanicalSystemsandSignalProcessing,2008．22：1427·1440．【155】姜绍飞，胡春明．基于振动响应与数据融合的钢管混凝土拱桥损伤识别【J】．振动与冲击，2009(印刷中)．【156】姜绍飞，苏莹．分形理论在土木工程领域中的应用【J】．工程力学，2009(s)(印刷中)．【l57】CarpinteriA，ChiaiaB，InvemizziS．Three—dimensionalfractalanalysisofconcretefractureatthemeso．1evel【J】．TheoreticalandAppliedFractureMechanics，1999，(31)：163-172．【158J谢和’F．分形．岩石力学导论口哪．北京：科学出版社，1996．【159】徐玉秀．原培新．杨文甲．．复杂机械鼓掌诊断的分彤与小波方法【M】．北京：机械工业出版社，2003．【160】』二步宇．结构损伤的分形神经网络检测方法[J】．振动、测试与诊断，2005，25(4)：260．263．【16l】王步宇．幕十分形的结构损伤检测方法【J】．振动与冲击，2005，24(2)：87．88．【162】CaoMaosen，RenQingwen，andQiaoPizhong．Nondestructiveassessmentofreinforcedconcretestructuresbasedonfractaldamagecharacteristicfactors[J]．JournalofEngineeringMechanics，2006，132(9)：92如．93I．·I．071． 【163】fi步宇．结构损伤的小波分彤神经网络榆测【J】．应用力学学报，2007，24(1)：58．62．【164】PawlakZ．RoughSets[J]．Int．J．Inf．Comput．Sci．，1982，11：34l一356．【165】MajiPKandRoyAR．AnapplicationofsoftSetsinadecisionmakingproblem[J]．ComputersandMmhemmicswithApplications，2002，44：1077·1083．【166】Pawlakz，SkowronA．Rudimentsofroughsets[J]．InformationSciences，2007，177：3-27．【167】KimYeongMin，KimCheeKyeong，LeeJaeChe01．Roughsetalgorithmforcrackcategorydeterminationofreinforcedconcretestructures[J]．AdvancesinEngineeringSoftware，2009，40：202-211．【168】胡金海，谢寿生，侯胜利，汪诚，杨帆．粗糙核主元分析方法及其在故障特征提取中的应用【J】．振动与冲击，2008，27(3)：50-56．【169】JIANGShao-Fei，ZhangChun—Ming,YaoJuan．Eigen·leveldatafusionmodelbyintegratingroughsetandprobabilisticneuralnetworkforstructuraldamageidentification[J]．AdvancesinStructuralEngineering·AnInternationalJournal，2008(accepted)【170】姜绍飞，姚娟．基于粗集与数据融合的结构损伤识别方法明．，T程力学，2009，26(4)：207．213【l71】JiangShao—FeiandYaoJuan．StructuraldamageidentificationmethodbasedonroughSetandprobabilisticneuralnetwork[A]．ProceedingsoftheTenthInternationalSymposiumonStructuralEngineeringforYoungExperts[C]．EditedByBinXu，Xiao，RuJi·PingandRenWei·Xin．Beijing：SciencePress．Changsha,China,2008：1579·1584．【172】胡学钢，郭弧光．一种基于椒糙集的朴素贝叶斯分类算法【J】．合肥工业大学学报，2006，29(2)：169．172．【173】宫俊．唐加福．基十小完备信息系统的分配约简的启发式算法【J】．东北大学学报，2007，28(1)：19．22．【174】WangHal，WangShouhong．TowardsoptimalUSeofincompleteclassificationdata[J]．Computers&OperationsResearch，2009，36：122l-1230．【175】XiaoDengming，LiangYishan，LiuYilu，DongLixin．Roughsetandfuzzywaveletneuralnetworkintegratedwithleastsquareweightedfusionalgorithmbasedfaultdiagnosisresearchforpowertransformers[J]．ElectricPowerSystemsResearch，2008，78：129．136．【I76JFurutatt．Afuzzyexpertsystemfordamageassessmentusinggeneticalgorithmsandneuralnetworks[J]．MicrocomputerinCivilEngineering．1996．1l：37-45．【l77】HaoHongandXiaYong．Vibration-baseddamagedetectionofstructuresbygeneticalgorithm[J]．JournalofComputinginCivilEngineering2002，16(3)：222_229．·I．072" 结构健康监测-智能信息处理及应用作者：姜绍飞作者单位：福州大学土木工程学院,福建,福州350108本文链接：http://d.g.wanfangdata.com.cn/Conference_7180749.aspx