基于多表达式编程与频率等高线相结合的结构裂纹检测

　　0　引言

　　结构的缺陷是指结构本身并未发展到临近破坏、破坏和倒塌的程度,仅仅表现为具有影响正常使用、承载能力、耐久性、整体稳定性的种种隐蔽的和显露的不足[1]。目前,结构裂纹检测主要分为局部损伤检测和全局损伤检测。局部损伤检测技术主要用于检测局部损伤,常用的方法包括超声检测[2]、回弹检测[3]、红外检测[4-5]、动静力荷载检测等,局部检测技术应用在结构裂纹检测上存在着一些不利因素,如放射性危险,检测成本高等[6]。全局损伤检测技术中最主要的是神经网络法。神经网络具有很好的自组织和自学习能力,但研究表明,单纯利用神经网络进行损伤位置和损伤程度的检测,结果并不理想,且不同的神经网络效果也大不相同。

　　利用频率等高线[7]将多表达式编程技术(multi-expression programming, MEP)应用于裂纹检测。首先求解出裂纹结构的前三阶固有频率,并将其拟合成以裂纹相对位置和相对深度作为变量的固有频率解曲面,然后将实测的裂纹梁前三阶固有频率作为裂纹识别反问题的输入,绘制出各阶固有频率的等高线,利用MEP和等高线惟一的确定出裂纹存在的位置和深度。多表达式编程具有良好的自适应性和自组织能力,而等高线法能直观定量地辨别出裂纹的位置和深度,两者结合用于结构裂纹的检测能够实现裂纹的快速定位,准确性高。对于结构相同或者类似的各类材料结构,例如相同型号的预制板、悬梁等。

　　1　基本理论

　　1·1　传统的检测方法

　　人工神经网络因在知识获取、并行推理、适应性学习、容错能力等方面都具有较大的优越性,因此被广泛应用到经济、军事和工业生产等领域。目前人工神经网络技术在结构的损伤检测中取得了很大的进步。神经网络用于损伤识别的基本方法是:根据结构在不同状态的反应,通过特征抽取,选择对结构损伤较敏感的参数作为网络的输入向量,结构的损伤状态作为输出,建立损伤分类训练样本集,然后对网络进行训练。当网络训练完毕,即已具有模式分类功能,对于每一输入的状态信息,根据给定的原则将其归到最接近的类别中[8]。

　　遗传算法、小波分析等技术与神经网络的结合,大大提高了网络的寻优能力,减低了预测误差。遗传算法具有高度的鲁棒性和极佳的全局搜索能力,与神经网络结合降低了神经网络陷入局部最优的可能性,同时又能借助神经网络克服自身局部搜索能力差的缺陷[9]。小波分析技术的出现,也为损伤检测提供了一个有利的分析工具,小波分析与神经网络的结合有2种形式:一种是先利用小波变换对信号进行预处理,提取信号的特征向量作为神经网络的输入;另一种则是采用小波函数和尺度函数形成神经元,达到小波和神经网络的直接融合[10]。