1 基于动力特征的结构损伤识别

损伤会对结构的动力特性造成影响。其核心在于建立损伤敏感因子与损伤之间的映射。目前，基于动力特征的损伤识别方法主要有动力指纹、模式匹配以及有限元模型修正法三种常见手段。

1动力指纹法

在基于动力特征的损伤识别方法中，动力指纹法十分典型。其原理就是以动力特征（指纹）的相对变化或变化率来表征结构损伤。而模态频率便因其具有损伤敏感度高、易于测量、精度高等优点成为了最典型的动力指纹。其他的动力指纹还有振型曲率、频响函数、模态柔度矩阵等。

Adams[2]发现，通过结构基频的测量结果可以检测、定位和量化损伤，只需要对结构的单点进行测量，就可以在无损化的基础上评估结构的完整性。虽然频率易获得、精度高，但难以表达损伤的空间信息。模态柔度结合了振型和频率的优点，是一种涵盖信息更多、对损伤更敏感的指标。通过评估结构柔度矩阵的变化不仅能判定是否损伤，而且还能定位损伤。

2模式匹配法

模式匹配法来源于计算机领域，通过辨识特征数组与数据库对应代码的相似度来运作。在损伤识别领域，它也具有类似的功能：根据先验经验进行合理假定，建立多个模型设立不同的损伤并通过指标识别，将损伤及损伤指标构建成信息库。获得实测数据后，将其输入信息库比对，从而确定损伤。

目前，SVM和神经网络是两种常用的模式匹配法。它们通过对支持向量机或神经网络模型进行训练，再将实测数据输入模型进而识别结构损伤。模式匹配法在损伤识别中应用前景广泛，通过训练神经网络或SVM，可以有效识别损伤。

3有限元模型修正法

以结构实际振型、频率等数据为标准不断对有限元模型修正，使模型输出与实际输出相吻合，依照模型参数变动展开损伤识别即为有限元模型修正法。李爱群等[3]在润扬悬索桥裸塔及成桥环节进行了基于敏感度一阶优化算法的模型修正，在动静力实验中证实其有效性。分析表明，依据动力特征的损伤识别只有在实验室或理想状态下才会有较为理想的效果，而实际工程中应用时，受环境因素干扰，分离两者的影响仍具挑战性。众多学者认为，环境因素带来的动力特征的改变不可忽视。基于动力特征的损伤识别必须去除环境要素的影响，才能在实际应用中具有高准确度。

2 环境因素影响下的结构损伤识别

借助数值模拟、模型实验、现场测试等方法不断研究，为基于环境因素的结构损伤识别理论奠定了基础。

1基于现场监测的环境因素影响研究

随着模态分析理论和信号传输技术的完善，结构健康监测系统运用广泛。Mossing与Askegaard[4]在一座三跨混凝土桥上的测试结果表明了利用特征频率相对变化来指示损伤的可行性。研究发现，不同时限影响桥梁动力特征的主要因素不同：在较长时间中温度是主要因素，而在较短时间内风荷载的影响更大。

2基于数值模拟的环境因素影响分析

数值模拟可以有效防止多因素的耦合干扰，所以一些学者在研究温度对于结构动力特性的影响时常常通过数值模拟来验证他们的想法。

Wu与Xu[13]对有限元模型分别施加均布和非均布温度场，研究不同温度分布对频率的影响，认为竖弯模态受温度改变的影响更为显著。然而，由于混凝土混合物性质及其弹性模量的温度依存性等因素的影响，此类研究仍停留在定性分析级别。

数值模拟中，简化假定可能导致结论与真实响应存在偏差。而模型实验可以避免有假定误差，提供更加可靠的结果。室外实验最大程度地模拟了实际情况，避免数值模拟中各类假设所带来的误差，同时也考虑到了温度对模态频率的影响是显著的，甚至可以掩盖损伤造成的变化。

3 考虑温度影响的结构损伤识别

相关研究表明，温度导致的动力特征的变化与损伤导致的变化在同一量级，严重影响结构损伤的判断。从动力特征的变化量中将温度引起的部分剥离或削弱的同时不改变损伤造成的影响将会显著提升损伤识别的精度。现今，去除温度影响的方法可分为两种：一是构建动力特征与温度关系的量化模型；另一类将温度作为动力特征的变量，直接对动力特征展开研究。

目前，温度与动力特征的量化模型可分为线性和非线性模型。线性模型主要包括动态线性回归以及多元线性回归。由于模态频率与温度在部分研究中表现出了显著的线性负相关，故常采用模态频率作为线性模型中的特征指标。非线性模型主要有多项式回归和神经网络等。

借助量化模型能够达到去除温度影响、提升识别精度的目的，但量化模型仅考虑结构附近的大气温度或构件的表面温度，忽视了混凝土结构温度变化的时滞性和不均匀性，导致估测值与实测值之间有较大误差。

不依赖测试温度结果的损伤识别法属第二类方法。它认为损伤引起的动力特征变化量与温度引起的变化量之间是正交关系，将温度当做频率的潜在变量，借助异常值的统计识别损伤。常用的方法包括自联想神经网络、奇异值分解、主成分分析以及因子分析等。目前，主成分分析是消除模态参数温度影响的重要手段，但其实质是线性映射，容错性和拟合能力较弱，难以对局部离散性及非线性情况处理。自联想神经网络适用于非线性问题，将主成分分析与自联想神经网络相结合的方法既能应对非线性情况，又有较强的学习及容错能力，故该方法具有广阔的应用前景。

4.结论与展望

本文从以下三个角度对结构损伤识别进行介绍：基于动力特征、考虑环境因素以及温度影响下结构损伤识别方法。基于动力特征的损伤识别方法发展时间长，理论多，然而只有在实验室或理想状态下才会有较为理想的效果，实际工程中应用该方法时，需要考虑环境因素的干扰；考虑环境因素的损伤识别方法中，室外实验可以最大程度地模拟结构在实际情况下的状态，研究进一步表明温度在环境因素中属于主要影响因素；考虑温度影响的结构损伤识别方法中，主成分分析与自联想神经网络是目前的主流方法，两者结合既可以应对非线性的情况，又有较强的学习及容错能力，故该方法具有广阔的应用前景。

参考文献：

[1] Sohn H , Farrar C R . Damage diagnosis using time series analysis of vibration signals[J]. Smart Material Structures, 2001, 10(3):446-451.

[2] Cawley P ,  Adams R D . The location of defects in structures from measurements of natural frequencies[J]. The Journal of Strain Analysis for Engineering Design, 1979.

[3] 王浩, 王付全, 李爱群, 等. 大跨度缆索支撑桥梁分阶段有限元模型修正[J]. 工程力学,2009, 26(10):111-116.