随着科学技术的进步和生产力的发展,我们知道结构的健康状态极为重要。一旦出现任何故障,不仅会造成重大经济损失,而且会造成人员伤亡乃至是重大事故,其后果将不堪设想。因此,结构的健康状况进行评估与预测具有十分重要的意义。最初,健康评估是根据人的健康来定义的。健康评估是指对系统的健康退化情况做出评估。依据系统的监测信息,得出系统的故障诊断结论同时表示出置信度的水平。进而预测系统未来的健康状态,根据系统的健康历史信息、运行状态和运作负载特性。本文以边坡为研究对象,验证健康评估与预测方法的可行性。鉴于边坡自身的特点,边坡的健康状态主要是通过稳定性体现的,因此把健康状态的研究归结到边坡的稳定性上面来进行研究。边坡稳定性是指边坡岩、土体在一定坡高和坡角下的稳定程度。本文的研究内容主要包括以下几个方面:首先,研究了不同领域中的健康评估方法。结合边坡自身的特点,建立了适合边坡的健康评估指标体系。把改进的层次分析法和模糊数学理论结合起来,采用改进的层次分析法确定评价指标的权值,结合模糊数学方法对边坡的健康状态进行综合评价。依据最大隶属度原则确定边坡健康等级。通过实例发现,此评价方法能够很好地评估边坡的健康状态等级,也就是说该评估模型具有可行性。其次,利用主成分分析法的降维思想对影响边坡健康的因素进行处理。依据主成分贡献率超过85%来保留主元的个数,从而提取出影响边坡健康的主要因素。最后,利用主成分分析法降维处理得到的主元因素对边坡健康状态进行预测。本文采用了两种预测模型对边坡的健康状态进行预测,即BP神经网络预测模型和小波神经网络预测模型。通过降维处理得到的主元因素有容重、内聚力、内摩擦角、边坡高度、边坡角度、空隙水压力比。把主元因素作为神经网络预测模型的输入,减少了预测模型的复杂性。两种预测模型的输出都是边坡的安全系数,它可以用来描述边坡的健康状态。采取的都是梯度下降算法来修正网络参数,不同点是:小波神经网络模型采用非线性小波基Morlet函数代替Sigmoid函数作为隐含层的激活函数。由预测结果可以发现,小波神经网络克服了 BP神经网络的一些不足,预测精度得到了提高。