结构健康监测的研究最新进展综述.docx

结构健康监测的研究最新进展综述.docx

《结构健康监测的研究最新进展综述.docx》由会员分享，可在线阅读，更多相关《结构健康监测的研究最新进展综述.docx（8页珍藏版）》请在冰豆网上搜索。

结构健康监测的研究最新进展综述

摘要

土木工程结构健康监测的研究是近年来国际学术研究的热点问题之一，涉及许多不同的研究领域,如数据采集系统、信号处理、结构分析等。

阐述了实施土木工程结构健康监测的必要性和迫切性，介绍了结构健康监测系统的概念、组成及其应用，分析研究了结构健康监测系统的各个子系统的功能、特点和实现方法，重点讨论了实现各子系统的理论、方法和存在的若干力学问题。

关键词：

土木工程结构，健康监测,监测系统,损伤诊断,安全性评估

Abstract

Thehealthmonitoringofcivilengineeringstructuresisanimportantresearchfield，whichcoversvariousareas，suchasdataacquisitionsystem，signalprocessing,structureanalysis.Inthispaper,thenecessityandurgencytoimplementstructuralhealthmonitoringincivilengineeringarediscussed，includingtheconcepts，structuresandapplicationsofthestructuralhealthmonitoringsystem.Allsubsystemsareanalyzedwithrespecttotheirfunctions,characteristicsandimplementations。

Thetheories,methodsandmechanicalissuesofthesubsystemsareemphasized。

Keywords：

civilengineeringstructure,healthmonitoring，monitoringsystem,damagediagnosis，safetyassessment

结构健康监测的研究最新进展综述

重大土木工程结构，如水坝、桥梁、电厂、军事设施、高层建筑等，在遭受地震、洪水、飓风、爆炸等自然或人为灾害时的安全问题，与人民的生命财产息息相关,已经引起人们的广泛关注。

上述重要结构在经历了极端灾害性事件后,立即对他们的健康状况做出评估是非常必要的，实时地监测和预报结构的性能,及时发现和估计结构内部损伤的位置和程度,预测结构的性能变化和剩余寿命并做出维护决定,合理疏散居民，对提高工程结构的运营效率，保障人民生命财产安全具有极其重大的意义。

故而，结构的健康监测技术成为当前国内外研究的热点问题。

1结构健康监测概述

结构健康监测（structuralhealthmonitoring,SHM）是指利用现场的无损传感技术，分析通过包括结构响应在内的结构系统特性，达到检测结构损伤或退化的一些变化.

结构健康监测是通过对工程结构在超常荷载前后响应的变化测量，分析推测工程结构特性的变化,并据此探测损伤位置和评价结构的损伤程度。

其主要包括损伤识别和安全性评估两个部份。

损伤识别:

工程结构一般会受到两种损伤，即突然损伤和积累损伤。

突然损伤由遭地震、洪水、咫风、爆炸等严重的自然或人为灾害等突发事件引起,而积累损伤则一般是结构在经过长时期使用后缓慢累积的损伤，具有缓慢积累的性质。

对于损伤识别的目标,Sohn和Farrar提出了损伤检测的5个层次：

判断结构中是否有损伤产生,损伤定位,识别损伤类型，量化损伤的严重程度,评估结构的剩余寿命。

理想的损伤识别方法应该具备的另一重要性能是，能够区分结构建模误差引起的偏差与结构损伤引起的偏差间的区别。

安全性评估：

结构安全性评估是基于健康监测和损伤识别的基础上，通过各种可能的、结构允许的测试手段，测试其当前的工作状态,并与其临界失效状态进行比较，评价其安全等级。

对于不同的结构，其重要程度不同，安全等级也应该有所差别。

安全性评估与可靠性不同,可靠性为一种概率，一种可能性；而安全性评估旨在给出确定的安全等级.

2结构健康监测系统组成及其功能分析

结构的健康监测是一种实时的在线监测技术。

一般健康监测系统包括以下几个部分：

（1）传感器子系统：

其中传感器子系统为硬件系统，功能为感知结构的荷载和效应信息，并以电、光、声、热等物理量形式输出，该子系统是健康监测系统

最前端和最基础的子系统。

（2）数据采集与处理及传输子系统：

包括硬件和软件两部分，硬件系统包括数据传输电缆/光缆、数模转换（A/D）卡等；软件系统将数字信号以一定方式存储在计算机中。

数据采集通用软件平台有VisualBasic，VC++，Delphi，LabWindows或Lab-VIEW等。

采集的数据经预处理后存储在数据管理子系统中，数据采集子系统是联系传感器子系统与数据管理子系统的桥梁。

（3）损伤识别、模型修正和安全评定与安全预警子系统：

由损伤识别软件、模型修正软件、结构安全评定软件和预警设备组成。

在该系统中，一般首先运

行损伤识别软件，一旦识别结构发生损伤，即运行模型修正软件和安全评定软件。

若出现异常，则由预警设备发出报警信息。

损伤识别软件通常由计算分析软件平台开发，如MATLAB等；模型修正和安全评定软件一般是结构分析软件，如ANSYS和结构分析设计专门软件等。

损伤识别是在结构反应信息基础上进行的，结构反应信息由数据采集子系统采集后存储在数据管理子系统中,因此，损伤识别软件运行时，首先能够从数据管理子系统中自动读取结构反应信息数据。

损伤识别和模型修正以及安全评定的结果将作为结构的历史档案数据存储在数据管理子系统中，因此，损伤识别和模型修正以及安全评定的结果将能够自动存入数据管理子系统中.

（4）数据管理子系统：

它的核心为数据库系统，数据库管理结构建造信息、几何信息、监测信息和分析结果等全部数据，它是结构健康监测系统的核心,承担着健康监测系统的数据管理功能.

健康监测系统各子系统之间的关系和流程如图1所示：

图1健康监测系统各子系统之间的关系和流程图

3结构健康监测系统在国内外的最新发展

损伤识别是结构健康监测的基础，安全性评估是结构健康监测的核心，损伤识别和安全性评估在结构健康监测中是最关键的，因而也是最困难的.因此本文主要阐述损伤识别系统和安全评定系统在国内外的最新发展。

3。

1损伤识别系统

3.1。

1结构损伤识别的理论和方法

结构健康监测的损伤识别应该是一种实时、在线和连续的监测方法,它基本上可以分为以下几类：

动力指纹分析法,模型修正与系统识别法，神经网络法，遗传算法，小波变换法和Hilbert—Huang变换（Hilbert—Huangtransform,HHT）法。

动力指纹分析法（模态识别）

结构发生损伤以后,其结构参数会发生改变，从而导致相应的动力指纹的变化，因而可以利用损伤出现前后结构动力特性指纹的变化来识别损伤。

动力指纹分析法的核心是，首先对结构的损伤进行全面、正确的分类,建立起结构健康时的动力指纹库和预估的损伤对应的数据库，再将损伤后的动力指纹变化与损伤数据库中的损伤模式进行匹配，从而识别损伤。

常用的动力指纹分析法有：

（1）基于固有频率变化的损伤识别方法;

（2）基于振型变化的损伤识别方法；

（3）基于刚度变化的损伤识别方法；

（4）基于柔度变化的损伤识别方法；

（5）基于能量变化的损伤识别方法。

上述各种方法多是针对实验室条件下的某种特定结构或构件具有较好的识别结果，而对于实际工程结构的识别效果往往不很理想，因此需要寻找一种较为通用的适用于实际结构的动力指纹。

目前的研究思路多为综合考虑几种动力指纹（如将振型与频率组合），或将动力指纹分析法与模糊算法、神经网络算法等联合使用。

模型修正与系统识别法

这种方法的基本思想是使用动力测试资料，如模态参数、加速度时程数据、频率响应函数等，通过条件优化约束，不断地修正模型中的刚度分布,使其响应尽可能地接近由测试得到的结构动态响应。

当两者基本吻合时,即认为此组参数为结构当前参数。

这种方法在划分和处理子结构上具有很多优点,但是由于测试模态极不完备、测试自由度不足以及测量信噪比低的原因，很少能够给出修正所需的足够信息，导致了解的不唯一。

同时采用传统方法进行参数估计时易产生病态方程。

对这些问题,一方面可以考虑利用动边界条件进行子结构模型修正以减少未知数，另一方面可以通过良态建模、合理划分子结构，以及最优测点布置来获取最大信息量予以解决。

为解决方程少于未知数的问题，目前常用的约束条件有矩阵的对称性、稀疏性和正定性条件.求解方法有3类:

矩阵优化修正法、灵敏度修正法、特征结构配置法。

基于模型修正的损伤识别方法依赖于未损结构的精确有限元模型，而当前大部分结构不具备这方面的精确信息.有些新建结构虽然建立了有限元模型，但是由于非结构构件的影响以及缺乏准确的边界条件信息等原因,使得所建模型与实际模型往往存在较大的误差，从而影响了模型修正法对于损伤识别的精度和准确性。

神经网络法

人工神经网络（artificialneuralnetwork,ANN）是以生物神经系统为基础，在物理机制上模拟人脑信息处理机制的信息系统，是一种由简单神经元连接组成的具有高度非线性的超大规模网络系统，具有网络的全局作用、大规模并行分布处理和联想学习能力。

神经网络用于损伤检测的基本原理是：

利用数值求解法（如有限元法、能量法）或实测方法，获取结构的特征物理量（如固有频率、模态振型等）作为训练样本的输入变量，以结构的损伤（位置、程度）作为输出变量，利用神经网络具有很强的自组织、自学习和自适应能力的特点，通过一定数量的训练样本让网络学习，使神经网络记住这些知识，掌握从输入变量（如结构固有频率、模态振型等）到输出变量（结构损伤位置、程度）之间的非线性映射，从而实现结构的损伤检测。

随着神经网络应用的日益广泛，神经网络存在的问题也日益显现出来，主要有以下几点：

（1）对于大型复杂结构,网络训练需要的损伤样本数目极为庞大，训练模式繁多且训练所需时间很长,网络收敛速度极慢，有时可能陷入局部收敛而网络全局不收敛;

（2）网络模型的选择问题.对于不同的工程结构,采用不同的网络模型，所得的效果也不同.各种网络模型均有其优点及不足，针对工程结构的特点采用何种网络模型是需要进一步研究的问题;（3）网络规模的确定问题.对于不同结构所需的网络的规模,目前没有统一的确定方法，实际中只能采取逐渐尝试的方法来确定。

遗传算法

20世纪60年代，美国Michigan大学的Holland教授给出了遗传算法的基本定理及数学证明。

遗传算法（GA）是一类借鉴生物自然选择和自然遗传机制的随机化搜索算法，其基本原理是:

将问题的求解表示成染色体（在计算机语言中一般用二进制码串表示）,从而构成一个染色体群。

将它们置于问题的环境中,遵循优胜劣汰的原则，通过不断循环执行选择、交叉、变异等操作，逐渐逼近全局最优解.遗传算法对其目标函数既不要求连续，也不要求可微，仅要求可以计算，而且它的搜索始终遍及整个解空间，操作方便，鲁棒性强,容易得到全局最优解。

数值模拟结果表明，此方法具有抗噪性强、识别精度和计算效率高的特点。

遗传算法的缺点是计算量大,对于实际工程中的大型复杂结构，距离应用阶段还需要大量深入的研究.

小波变换

结构损伤是一种典型的局部现象，小波变换对信号放大和聚焦的特性,非常适合于分析和识别结构响应中其它方法难以发现的局部损伤信息。

结构的损伤可以从对采集的数据进行小波离散后的细节突变上检验出来,此突变的位置可以精确地指出损伤发生的时刻。

由于每一个小波基函数都有自己的结构和特性，分析的效果也有所不同，因此小波基的合理选取一直是小波工作者的主要研究内容,但目前依然没有一套选取小波函数的合理原则,研究人员