基于遗传算法和模糊神经网络的结构健康监测研究

摘要

本文较全面的评述了基于智能算法的结构健康监测方法，详细介绍了神经网络在结构健康监测中的应用模型，指出了单独使用神经网络技术存在的缺点。在前人工作的基础上，引入遗传算法和模糊理论作为优化工具，将遗传算法、模糊理论和神经网络技术相互结合，构建了新型神经网络的训练算法并用于结构健康监测研究。改进了RBF (Radial Base Function，简称RBF)神经网络的训练算法，即用混合递阶遗传算法对其训练，该算法将递阶遗传算法和最小二乘法的优点结合在一起，能够同时确定RBF网络的结构和参数，并编制了基于混合递阶遗传算法的RBF神经网络程序；同时将遗传算法引入到模糊RBF神经网络模型中，对数据的模糊聚类处理部分进行优化，并编制了遗传模糊RBF神经网络的程序；制备了纤维增强复合材料试件，并进行了模态分析实验；针对基于实验数据训练神经网络存在样本不足的缺陷，本文提出了利用有限元方法对含有脱层损伤的复合材料试验件进行数值模拟，以该结构的前六阶弯曲模态频率经过相应的处理后分别构建遗传RBF神经网络和遗传模糊RBF神经网络的训练样本的思路；将实验模态分析的结果分别送入训练好的遗传RBF神经网络和遗传模糊RBF神经网络进行预测，实现了对复合材料梁的脱层损伤的定位和损伤程度的评估，上述两种网络的识别结果表明遗传模糊RBF神经网络结构的具有更好的泛化能力和更好的鲁棒性。