结构损伤将改变结构的动力学特征,而结构动力学特征的改变可以用结构特征参数的改变加以描述。因此,若结构发生损伤,其结构参数如质量和刚度会发生变化,从而引起相应的动力指标的变化。进行结构损伤识别与定位,首先需要解决损伤标识量的选择问题,即决定以哪些物理量为依据能够更好地识别和标定结构的损伤位置与程度。损伤识别需要解决类问题第一,判断结构有无损伤第二,确定结构的损伤位置第三,标定结构的损伤程度。显然,只要和结构损伤相关的某些物理参数在结构损伤前后会发生明显的变化,就可以用它来判断结构有无损伤。因此,单纯判断结构有无损伤相对而言比较简单。要确定结构的损伤位置,则损伤标识量本身必须具有明确的位置坐标。要判定结构的损伤程度,则损伤标识量必须为随结构损伤程度的增加呈单调变化趋势的物理量。因此,确定结构的损伤位置和标定结构的损伤程度对损伤识别指标的选取会造成一些限制。

  文献认为,损伤是局域现象,因此,用于结构损伤直接定位不进行依赖于有限元计算模型的反演的物理量最好是局域量,且需满足个基本条件①对局部损伤敏感,且为结构损伤的单调函数。②具有明确的位置坐标。③结构损伤后,损伤标识量在损伤位置应出现明显的峰值变化。④结构损伤后,损伤标识量在非损伤位置或者不发生变化,或者发生变化的幅度小于预先设定的闭值。文献证明,当用于损伤识别和定位的物理量是局域量,且满足上述个基本条件时,损伤可直接进行识别和定位,不一定要进行数学反演。

  目前常用的无反演条件下的结构损伤识别指标主要有两类。一类是相关弱化型,包括以位移模态坐标保障准则和以应变模态坐标保障准则等为代表的各类以相关系数的弱化为度量的结构损伤识别指标。另一类极差型,包括结构损伤前后的固有频率差、位移模态差、应变模态差、柔度矩阵差、模态应变能差、频响函数、残余力向量等。按照此类方法,首先必须建立与结构健康状态和一系列先验损伤状态相对应的动力指纹数据库,然后将发生损伤时的动力指纹与其比较,进而识别损伤。这类方法的缺点为敏感性不是很高,与所有潜在损伤情况相对应的数据库较难建立。有很多学者在此方面作了大量的工作。

  固有频率是模态参数中最容易获得的一个参数,而且识别精度高。因此,基于结构有损与无损状态的固有频率变化进行损伤识别有很多方法。Cawley&Adams最早利用频率数据对结构进行损伤识别,通过特征值对结构物理参数的灵敏度分析,在结构只存在单处损伤的情况下,得出结构损伤前后任意两阶频率变化的比值只与损伤位置有关。Stubbs et al根据一阶动态灵敏度分析,推导了频率关于结构物理参数的一般表达式。Hearn指出,结构损伤后各阶频率变化按与最大频率变化规一化后,任两阶频率变化的比值是结构损伤位置的函数。Hasiotis建立结构单元刚度下降与结构特征值改变量之间的灵敏度方程,并认为,特征值0.4%的误差就可能导致完全错误的识别结果。

  文献对这种技术给出了很好的总结。Messina et al提出一种称之为多点损伤定位置信准则的诊断方法。该法只用结构有损与无损状态下的少数几阶固有频率变化值,能较好地定位结构的单点或多点损伤。这类方法的共同特点是认为结构发生损伤时,仅结构的刚度降低,而忽略结构质量的变化,而结构刚度的降低体现为固有频率的减小,发生破损以后的任意二阶频率改变量之比仅是破损位置的函数,而与破损大小无关。利用固有频率的变化进行损伤识别,具有固有频率容易获得且测试的精度比较高的优点。

  但是,很多实践表明该类技术在应用上有一些不足: (1)固有频率对结构早期损伤有时并不十分敏感,往往只能发现破损,而无法确定破损的位置,这是因为不同位置的损伤可能引起相同量的频率变化,特别是对于对称结构,因结构对称位置损伤引起的频率改变几乎是相同的;(2)虽然当损伤的位置在结构的高应力区域时,利用固有频率的变化进行损伤识别比较可靠,但是当损伤位置在结构的低应力区域时,利用固有频率的变化将无法进行损伤识别;(3)随着结构早期损伤量的减少,固有频率的变化是从低阶移向高阶,而高阶固有频率的变化是很难获得的,所以,利用固有频率的变化无法识别结构的小损伤;(4)理论模型的使用将导致识别结果的不确定性,且需考虑各种损伤模式的多种组合,对大型结构损伤诊断而言,这是不现实的。

  虽然振型的测试精度低于固有频率,但振型包含更多的损伤信息。利用振型变化识别结构早期损伤的方法很多。Pandery et al提出用振型曲率来识别结构的损伤。如果结构出现破损,则破损处的刚度会降低,而曲率便会增大。振型曲率的变化随着曲率的增大而增大。因此,可以根据振型曲率的变化确定损伤发生的位置。这种方法以振型曲率作为定位参数。该方法的不足之处是需要非常邻近的测点,以便利用中心差分法由位移模态求取曲率模态。这样就要求足够密的测点,或者要求精度非常好的插值扩阶模态,否则将增大曲率模态振型的误差。Gawronski&Sawicki采用结构损伤前后的模态范数差进行损伤诊断。

  模态置信度指标(MAC)、坐标模态置信度指标(COMAC)作为结构模态的导出量,反映了两次模态测试数据的相关程度,可用于结构损伤识别。其原理是当损伤未发生时,模态置信度判据为一;可一旦损伤发生,由于振型的变化而导致模态置信度判据不等于一。`Shi et al在Messina的多点损伤定位置信准则基础上,提出了基于模态变化的多点损伤定位置信准则,且考虑了测试模态数据的不完备性。通过平面析架结构的损伤数值模拟,认为该法在有一定噪声的情况下都具有较好的准确性。Alampalli et al进行了实桥和模型桥的模态试验,并用统计方法分析了模态参数及其导出量C)对结构状态改变的灵敏程度。结果显示,模态及其导出量可用于识别损伤的存在,但却难以进行损伤定位,是由于损伤对未损部位模态的影响将导致难以将有损区域和未损区域分开。

  结构损伤的大小将影响内力重分布的程度,既然在损伤区域的内力重分布较为严重,则应用应变模态确定的损伤位置具有较高灵敏度提Yao et al出应变模态概念,并通过位移模态和应变模态分别对钢结构模型的六种不同损伤的识别研究,认为位移模态有时存在灵敏度不高的问题,而应变模态的灵敏度相对较高。实际上,上述基于振型变化的损伤识别技术在应用中面临着测量振型不完整不仅测量的振型个数少于分析模型的个数,而且测量的自由度个数也少于分析模型的自由度数和噪声的影响问题,当缺少破损影响较大的测量模态时,该类技术将不能识别结构的损伤。

  在利用结构动力参数进行结构损伤诊断研究中,更多的研究致力于同时利用结构固有频率和振型来综合分析。频率是表征结构刚度及其他物理参数发生变化的一个宏观指标,而振型却能更加敏感地反映结构局部的变化。Lim&Kashangaki`“嗓用一种称为最可能特征向量与特征向量的差值的欧几里得范数作为损伤定位指标。Lam et al出一种综合利用振型向量差与一阶频率差平方之间的比值作为损伤定位参数。

  1992年,Ricles提出残余力向量概念。如果结构未发生损伤,那末残余力向量为零,而如果某单元发生了刚度下降,那么这个单元的相应节点自由度的振型分量必然发生较大变化,导致此自由度相应的残余力较大,从而识别结构的损伤位置。Ricles的模拟结果证实,在损伤导致的频率变化很小的情况下,残余力向量仍能识别出损伤位置。但值得注意的是,对某一损伤情况,应多用几阶振型来计算相应的残余力向量,因为如果损伤单元位于某阶振型的节点上, 该阶振型的残余力向量不能很好地反映该单元的损伤。Baruh同样利用残余力向量对一框架结构进行损伤识别,并分析了结构模型误差对该法识别效果的影响。当其中5个单元存在的5%刚度误差时,识别效果严重下降,尤其是对于小损伤程度的情况。Kosmatka在文献的基础上,同时考虑质量、刚度矩阵的变化以及固有频率与振型向量的扰动参数的统计可靠指标、试验装置的误差等因素。改进残余力向量与加权灵敏度分析方法。周先雁通过理论分析与两榻钢筋混凝土平面框架的静动力试验研究,成功地将残余力向量法用于识别结构的损伤位置,并在识别出结构的损伤位置后,再用加权灵敏度法来识别结构的损伤程度。

  无反演的情况下虽然可进行结构损伤识别和定位,但不足以对结构的损伤程度进行精确标定,而后者对结构的完整性评定十分重要。另外,无反演的结构损伤识别和定位公式多数是一些经验公式,这些公式普遍存在反例,在理论上也有不够严密的地方。随着计算技术和智能技术的发展,建立更加严密的结构损伤识别和定位原理成为可能。于是,数学反演成为解决结构损伤识别和定位问题的一种可行方式。损伤引起结构单元特性的改变或退化,而这些特性改变又可通过某些特定参数的变化加以描述。损伤诊断问题就转化为对待定参数的识别问题,即通常所谓的系统识别或参数估计。而结构的有限元模型修正,就是通过有限元方程的反演以识别出待定的结构物理参数。因此,基于模型修正的结构损伤识别和定位方法有助于精确地标定结构的损伤程度和方位,近年来受到国际学术界和工程界的特别关注。

  模型修正的基本思想是通过在结构荷载试验中对结构施加激励而测得结构的响应数据,如动力测试的模态参数或者加速度时程数据、静力测试中的位移、转角或应变,来分析模型的参数分布,预估参数可以是结构构件的横截面特性,如面积矩等。然后与修正参数后模型的反应所测数据比较,当两者基本吻合时,即认为此组参数为结构当前参数,根据模型参数的变化来实现损伤的定位和损伤程度的评估。在参数识别领域,己进行了广泛的研究工作。这些研究可分为两大类型静力模型参数识别和动力模型参数识别,他们都基于采用试验测试数据的有限元方法。本节主要阐述基于动力模型参数识别的损伤诊断研究现状,关于静力模型参数识别的损伤诊断在节中阐述。

  张启伟提出一种基于模型修正理论的结构损伤检测方法。首先给出一种利用结构振动模态数据修正结构刚度的子结构法,然后将这一方法推广为利用振动模态数据和静力位移测试数据的损伤识别法。运用缩阶的理论分析模型以解决实测自由度不足的矛盾。以一悬臂梁的损伤仿真试验,验证这一方法的有效性。并考察了将这一技术运用于大型桥梁实施监测系统的可行性。李国强直接将框架结构的损伤定义在梁柱构件上,提出了一种识别一般框架损伤参数的动力方法。该方法分两步进行第一步,利用结构的前几阶动力模态,通过对代数特征值反问题中一定带宽矩阵的识别方法加以改造,识别框架楼层侧移刚度矩阵第二步,应用线性规划方法,由所识别的结构刚度矩阵,识别框架梁柱的损伤。

  Wei-Xin Ren也根据模型修正理论利用模态参数数据进行诊断。比较了几种求解算法,并提出了模态数据中噪声的影响问题。认为考虑截断误差影响的基于奇异值分解的正则化算法能得到满意的结果。通过钢筋混凝土梁的动静载试验,验证了以上结论。Morassi的诊断策略采用损伤前后的频率差的优化准则来求解刚度的变化系数。并用五层钢框架的缺陷诊断进行验证。Vestroni基于有限元模型,讨论了为满足确定损伤定位诊断的唯一性要求,所需的测试频率数量条件。Jeong-Hwan Jang通过梁桥试验,分别采用静力位移测试数据和模态测试参数的两种不同算法进行损伤诊断验证。

  Agbabian et al基于带噪声污染的测试数据探讨了时域识别技术在结构参数识别中的应用前景。Hassion&Jeong将特征值对刚度减小的灵敏度转化为欠定方程组并作为求解优化问题的限制条件,用少量频率测试数据识别结构刚度的减小量。Yao&Natke回顾并讨论了系统识别技术,特别是系统识别在结构损伤诊断中的应用以及既有结构的可靠性估计。Fritzen&Bohle将模型修正理论用于承受地震荷载作用的结构损伤识别。Doebling通过求解刚度矩的最小秩目标函数的优化问题以计算出刚度矩阵参数的扰动值。Jameset al利用模型来识别结构模型参数以进行损伤识别。国综合运用模型降阶、模态扩展技术等,以克服结构损伤定位和损伤程度评价中的测试数据不完备问题。Oh&Jung提出利用混合数据静力位移和模态数据的迭代算法,加入静力位移以模拟结构高阶模态,提高损伤评估的效率。Bicanic&Chen采用直接迭代法或高斯一牛顿最小二乘法进行模型修正以识别结构损伤,只需少数几阶固有频率测试数据。Cobb&Liebst、Zimmerman&Kaouk基于控制论观点识别结构参数,。Brownjohn&Xia应用模型修正理论对悬索桥进行了评估。

  粗略地说,由非生物生命方法产生的智能都可称为人工智能。神经网络、模糊逻辑、遗传算法等都是实现人工智能的手段。

  神经网络（ANN）以生物神经系统为基础,模拟生物神经系统的处理方式、组织结构和神经功能。它由许多处理单元神经元相互连接组成,按照一定的连接权获取信息的联系模式,根据一定的学习规则,实现网络的学习和关系映射。具有学习、记忆、计算、识别等智能处理功能。神经网络以其学习能力,非线性变换型和高度的并行运算能力,对新输入的泛化能力和对噪声的容错处理能力,为系统尤其是非线性系统的辨识等提供了一条非常有效的途径。在商业、金融、制造业、医学、通信、力学等领域得到越来越多的应用。最早将神经网络用于结构损伤检测的是Purdu大学的Venkatasubramanian和Chan,其后有许多学者开发了不同的网络模型对工程结构或构件进行损伤检测与诊断。

  Wu et al 提出一种基于傅立叶谱的损伤检测法,利用神经网络的自组织、自学习能力对一栋层建筑的开裂与无裂缝结构进行了损伤检测。Elkordy et al采用两个数学模型产生的训练样本来训练误差反向传播神经网络,然后运用训练后的网络作为模式分类器,来识别给定应变模式的损伤位置和损伤程度。Tsou&Shen运用固有频率的变化和动力残余矢量的变化作为BP网络的输入来进行损伤检测,开发了由3个子网络组成的模型分别用于将模态数据转换为动力残余矢量、损伤指标定位和确定损伤程度。

  Masri et al用神经网络来检测振动过程中结构参数的变化,用相对位移和相对速度作为网络输入,恢复力作为网络输出,并验证了该法的有效性。王柏生等研究了模型参数误差对有不同网络输入的BP网络损伤识别的影响,理论推导的模型参数误差对损伤引起的模态参数改变的贡献的表达式,用于指导神经网络输入参数的选择和输入向量的构造。王柏生等考虑了基于多变量模式分类的概率神经网络所具有处理受噪声污染的测试数据的能力,将可能的损伤位置作为模式类,利用概率神经网络的分类能力来识别结构的损伤位置。

  姜绍飞等提出运用传统概率神经网络和自适应概率神经网络进行结构损伤检测方法与基本原理,并分别用两种概率神经网络模型进行了悬索桥的损伤定位研究。瞿伟廉和陈伟提出强震后多层及高层框架结构地震损伤诊断的神经网络法,通过结构无损和有损状态下的有限元分析所得的应变模态差值作为损伤标识量,并输入径向基（RBF）神经网络进行训练,得到框架结构节点损伤诊断的神经网络系统。高赞明等将神经网络分析方法用于香港汲水门大桥的健康监测中,采用三阶段层次识别策略首先确定损伤的发生,其次识别损伤所在区域,最后确定损伤的构件和损伤程度。

  王柏生等通过数值模拟研究了香港青马大桥桥板结构的损伤位置识别问题,根据部分模态分量导出损伤指标并用于指示大概的损伤区域,在己知损伤区域后,采用神经网络方法来识别具体的损伤构件。Chen et al用反馈型神经网络识别结构动力损伤参数,网络的训练、测试和验证都采用实际地震中某公寓建筑的响应记录数据。Palakal et al首先运用小波变换进行结构损伤定位,然后用神经网络进行有损部位的损伤程度评估。从已有文献来看,神经网络应用于结构损伤诊断的研究特点可归纳如下①绝大多数的文献都采用了多层感知器构造,并采用误差反向传递算法算法,且用软件方式实现。②在具体参数识别中,由于神经网络在理论上具有对非线性函数的逼近能力,因此,网络的训练过程十分类似于构造一个非线性函数,而训练后的网络能够相当准确地由输入推断输出。③结构损伤评估属模式识别一类问题,在具体应用中,将模糊理论与神经网络相结合,构造模糊神经网络,这与简单的聚类分析相比,具有明显的优势。但是,目前的发展尚不成熟,存在的主要问题有：①学习时间长,

  收敛速度慢,定时处理困难。②BP算法不能保证学习结果收敛到全局最优解。

  遗传算法是60年代由Holland教授提出的,他根据达尔文进化论中适者生存,优胜劣汰的进化原则来搜索下一代中的最优个体,以得到满足要求的最优解。其主要优点为简单,鲁棒性强。在组合优化求解,机器学习和工程领域有广泛的应用前景。Mares&Surace根据测试所得的特征频率和模态振型,采用遗传算法修正结构参数使误差函数残余力向量极小化以进行结构损伤诊断。Friswell et al综合运用遗传算法和特征灵敏度方法进行损伤诊断,首先用遗传算法进行结构的损伤定位,再在给定的损伤位置,用特征灵敏度方法进行损伤程度评价。易伟建和刘霞提出了多父体变量级杂交和变量微调等新的改进策略,并用于固端梁、连续梁和框架结构等的损伤诊断。程远胜等提出了一种基于分级遗传算法的利用不完整振动数据识别结构损伤方法,首先扩展不完整的振型并利用单元能量嫡差比确定结构损伤的大致位置,然后采用二级搜索策略,借助遗传算法确定结构损伤的程度。