基于GA—BP神經(jīng)網(wǎng)絡(luò)的Benchmark模型損傷識(shí)別研究

吳璠++代李昊

摘 要：針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢及網(wǎng)絡(luò)泛化能力差得缺點(diǎn)，影響結(jié)構(gòu)損傷識(shí)別的精確度。本文采用遺傳算法對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，提高神經(jīng)網(wǎng)絡(luò)的收斂速度和泛化能力，從而提高識(shí)別精確度，采用Benchmark模型驗(yàn)證該方法的有效性。

關(guān)鍵詞：遺傳算法；神經(jīng)網(wǎng)絡(luò)；Benchmark模型；損傷識(shí)別

DOI：10.16640/j.cnki.37-1222/t.2017.09.219

0 引言

BP神經(jīng)網(wǎng)絡(luò)是適合模擬損傷識(shí)別的有效方法之一[1]。但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢，泛化能力差等不足[2]，影響識(shí)別的精度。為此，本文提出了利用遺傳算法[3]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模擬損傷識(shí)別，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化[4]，提高神經(jīng)網(wǎng)絡(luò)的收斂速度和泛化能力，從而獲得更好的識(shí)別效果.本文以Benchmark模型[5]為研究對(duì)象，驗(yàn)證該方法的可行性，如圖1所示。

1 Benchmark模型損傷識(shí)別

Benchmark是一個(gè)四層鋼框架結(jié)構(gòu)，橫縱各兩跨，每跨1.25m，層高0.9m，分為桿，梁，斜撐三類(lèi)構(gòu)件。本文設(shè)計(jì)出7種工況，分別為一種類(lèi)型桿件損傷，兩種類(lèi)型桿件損傷，三種類(lèi)型桿件損傷，各類(lèi)桿件選取5根，擬定為40%的損傷程度。0表示為未損傷，1表示為損傷。

表1 損傷工況

Kaminskin PC[6]等提出結(jié)構(gòu)的損傷位置只與其頻率有關(guān)，故本文采用頻率作為損傷指標(biāo)，歸一化處理后作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)。利用ANSYS有限元軟件獲取損傷前后的前6階頻率，共有6個(gè)輸入節(jié)點(diǎn)，輸出向量為三類(lèi)桿件，為3個(gè)輸出節(jié)點(diǎn)，所以網(wǎng)絡(luò)結(jié)構(gòu)為6-7-3。神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)為500，最小誤差為1e-20。遺傳算法種群數(shù)目為30，進(jìn)化次數(shù)為50，交叉概率為0.4，變異概率為0.2。根據(jù)表1每組工況隨機(jī)產(chǎn)生100組數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，共700組數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)為693組，測(cè)試數(shù)據(jù)為7組，經(jīng)GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測(cè)后，得到仿真結(jié)果如表2所示。

2 比較結(jié)果與分析

（1）由表2分析可得，兩種方法都能對(duì)結(jié)構(gòu)的損傷做出準(zhǔn)確識(shí)別，但經(jīng)遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果比BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果更為精確，誤差小得多，更接近期望輸出。

（2）本文提出了一種基于 GA-BP網(wǎng)絡(luò)的結(jié)構(gòu)損傷定位方法 ，利用 GA算法優(yōu)化 BP網(wǎng)絡(luò)的結(jié)構(gòu)權(quán)值，并用于結(jié)構(gòu)損傷定位仿真預(yù)測(cè)。仿真結(jié)果表明：基于 GA-BP網(wǎng)絡(luò)損傷定位方法是可行的，且與BP網(wǎng)絡(luò)相比，識(shí)別精度更高。無(wú)論是對(duì)單個(gè)損傷還是多個(gè)損傷，均能給出正確的結(jié)果。

參考文獻(xiàn)：

[1]姬昕禹.基于神經(jīng)網(wǎng)絡(luò)方法的模擬電路故障診斷應(yīng)用研究[D].西北工業(yè)大學(xué)，2007.

[2]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)技術(shù)出版社，2006：25-30.

[3]楊海清.遺傳算法的改進(jìn)及其應(yīng)用研究[D].杭州：浙江工業(yè)大學(xué)，2004：18-20.

[4]王智平，劉在德等.遺傳算法在 BP 網(wǎng)絡(luò)權(quán)值學(xué)習(xí)中的應(yīng)用[J].甘肅工業(yè)大學(xué)學(xué)報(bào)，2001（27）：20-22.

[5]徐德健.基于加速度響應(yīng)的Benchmark結(jié)構(gòu)損傷識(shí)別研究[D].重慶大學(xué)，2015.

[6]Kaminskin PC.The approximate location of damage through the analysis of natural frequencies with artificial neural networks.Journal of Process Mechanical Engineering 1995，209，117-123.

作者簡(jiǎn)介：吳璠（1992-），男，安徽滁州人，碩士，研究方向：結(jié)構(gòu)物的損傷識(shí)別研究。