单一的损伤检测方法无法对复杂结构做出较为合理的判断,其对结构健康信息的利用率较为低下,因此全面利用结构健康信息,必然要求多种损伤检测方法的联合应用,即采用分布式损伤检测方法,而分布式损伤检测方法的核心要件在于如何处理对同一事件做出的多种损伤检测结果,即决策融合问题。本文对此展开了探索性的研究。 本文首先对结构损伤识别和决策融合技术进行了概述,介绍了结构损伤识别和决策融合技术的历史发展、现状、趋势及相应的方法。然后本文构建了分布式损伤识别框架,并对损伤识别精度及两种决策融合判断准则进行了论述,将贝叶斯决策融合理论应用于同精度多种损伤识别方法的融合问题中,可以发现该准则对各子损伤识别进行自动分析、综合后,可大大提高健康监测系统中信息的利用率,获得的最终损伤判断的正确概率要优于单独某一个子损伤检测方法。 在进行多精度损伤识别方法的融合中,本文首先采用神经网络结构构造了三个不同精度的损伤识别器,作为三种子损伤检测方法。然后根据D-S证据理论构造了支持函数S和反对函数T,并给出相应的决策准则,从而得到了完整的D-S证据决策融合准则,实现了多精度损伤识别方法的融合,使单一损伤识别方法无法判明的损伤工况,在融合后也得到了判定。最后,将D-S证据理论决策融合准则退化到解决同精度的损伤识别方法融合问题,并与贝叶斯决策融合准则进行了比较,结果表明,两者均能使融合后的损伤识别结果的正确概率提高,但前者的系统性能更优。