[发明专利]一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法

说明书

本发明提供一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法。本发明首先基于结构在健康状态下的结构动力响应数据，构造结构健康状态因子损伤指标；接着引入稀疏贝叶斯学习以构造贝叶斯非参数模型作为参考基准指标；再根据损伤未知的结构动态响应数据构造结构健康状态因子，获取该状态下的稀疏贝叶斯回归模型，并与参考基准指标作对比，最终通过贝叶斯因子开展结构损伤识别定量分析。因稀疏贝叶斯学习考虑了理论模型、实测数据的不确定性，其损伤识别结果更为精确。

技术领域

本发明属于结构健康监测技术领域，涉及一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法。

背景技术

随着社会的发展，大型土木工程结构越来越多，尤其是大型的桥梁结构，若这些结构在运营期间出现事故，会造成巨大的经济损失和人员伤亡。而结构健康监测技术是支撑土木工程结构安全运行和实时维护的一个有力工具，其中损伤识别又在结构健康监测领域占据着十分重要的地位。目前，基于振动信息的损伤识别方法普遍被认为是具有发展前景的方法。其中基于振动信息的损伤识别方法从损伤判定的确定性性质角度可分为两种方法：第一种是确定性方法，第二种方法是不确定性方法。第一种方法是将某一损伤特征参数(如刚度)作为确定量，并以此建立其与损伤程度之间的映射关系，从而实现损伤识别的目的。第二种方法则在考虑了理论模型(土木结构的有限元模型)的不确定性和实测数据的不确定性基础上，利用统计分析方法，得到损伤识别结果。而贝叶斯方法正是一种不确定性损伤识别方法，此方法充分利用先验信息，在模型参数求解时，不只是寻求局部最优解，而是找出全局最优解，利用模型参数后验概率分布来表征结构发生各种可能损伤程度的概率，进而解决不确定性问题。在贝叶斯方法中，稀疏贝叶斯学习(Sparse Bayesian Learning,简称SBL)通过最大化证据函数以嵌入奥卡姆剃刀，进而促进模型参数的稀疏，最终所获得的模型参数的后验概率密度函数，不仅稀疏，而且能够有效表征监测数据的后验模型及其后验的不确定性。

通常情况下，环境因素(如温度、噪声)是使损伤结果具有不确定性的主要原因，而确定性方法会不可避免受到环境因素的影响。同时，现在大部分的损伤识别方法仅停留在数值模拟和实验室简单的模型阶段，适用性受限，因此本发明针对这些问题，一方面利用贝叶斯理论强大的不确定性表达能力，另一方面借助稀疏贝叶斯学习建立一个高效的、无需数值模拟、纯数据驱动的模型。

发明内容

为了克服确定性损伤识别方法中不确定因素的影响以及现有阶段的大部分损伤识别方法适用性受限问题，本发明提供了一种全面、高效的基于稀疏贝叶斯学习的桥梁结构损伤识别方法，可以对大型桥梁结构进行损伤识别分析，并在此基础上得到结构的实时健康状况，进而指导既有结构的运营管养决策。

本发明提出的一种基于稀疏贝叶斯学习的损伤识别方法，具体步骤如下：

一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法，具体包括以下步骤：

S1、根据桥梁结构在健康状态下的结构动力响应数据，绘制并分析相应的时域图；对时域图进行时域分析，利用NExT方法得到互相关函数；

S2、根据S1的互相关函数，对其经傅里叶变换后得到互功率谱密度，并依据互功率谱密度进行频域分析得到桥梁结构的模态参数——频率，之后确定敏感频带；

S3、根据S2的敏感频带数据，利用线性变换技术得到损伤指标——结构健康状态因子；

S4、根据S3的结构健康因子的实部和虚部数据，引入稀疏贝叶斯学习算法，利用其可以解决不确定性问题的优势，建立以虚部数据为自变量、实部数据为因变量的结构健康状态因子的回归参考模型；

S5、当有新的监测数据时，重复步骤S1至步骤S3，得到新的损伤指标，并将此损伤指标带入S4中的回归模型，此时可依据新的损伤指标的实部数据是否拟合回归参考模型进行损伤的定性识别；