纤维增强复合材料(Fiber Reinforced Polymer,FRP)由于其优良的结构特性而被广泛应于各个重要的工程领域,因此对FRP层合结构进行健康监测和早期的损伤识别显得尤为重要。其中,工程中常用的基于振动的损伤识别方法能够根据振动参数的变化预测结构的损伤情况,适用于全方位的结构健康监测。固有频率相对其他振动参数具有数据容易获取且可靠的优点。因此,通过智能信息处理技术对频率进行处理和分析,进而对结构的损伤状态和安全性能进行评估的结构健康监测方法具有良好的应用前景。本文以实际应用中较为常见的FRP弧形层合板结构作为研究对象,利用损伤发生前后的频率变化值作为指标,分别使用两种人工智能算法:人工神经网络(ANN)和遗传算法(GA)对FRP弧形层合板中的分层损伤进行损伤位置、大小以及损伤所在界面的识别。为了获得不同损伤情况下的频率变化值,利用模型修正技术,建立与实际结构较为吻合的有限元模型,并生成“损伤-频率变化值”数据库,用于训练人工神经网络;与此同时,遗传算法调用该修正后的有限元模型计算仿真频率变化值,与目标频率变化值进行比较,通过多次迭代得到偏差最小的情况即为可能的损伤。数值验证结果表明,ANN和GA均能够准确识别FRP弧形层合板分层损伤的位置和大小,预测误差在2%以内;但是对于离散型界面参数“分层损伤所在界面”,ANN预测效果很差,而GA预测得比较好。然而,直接采用遗传算法进行预测运算时间较长,不满足在线健康监测快速识别损伤的要求。为提高遗传算法识别损伤的效率,本文构建了代理模型以代替耗时的有限元模型计算,在保证识别精度的前提下,识别时间大幅度缩减为无代理模型遗传算法的1/163。基于智能算法的健康监测技术,在实际应用中遇到的主要困难在于误差的影响。为了对比两种算法的噪声敏感性,本文添加不同程度的噪声(Noise)到仿真频率中以模拟实验测量或模型偏差导致的误差,考察两种逆向检测算法对干扰噪声的容限度。在5%的噪声水平下,ANN的预测误差已高达17.6%,而GA仍能保持在9.5%以内。结果表明,GA的抗干扰能力较好,预测结果更可靠。相比之下,ANN极易受到噪声的干扰,算法的鲁棒性较差。为了进一步研究实验室条件下两种算法的损伤识别效果,共制作了七个包含两种弧度的碳纤维增强复合材料(CFRP)弧形板试件,分别在四边自由(FFFF)和两边固定两边自由(CFFC)的边界条件下进行模态测试,实测的频率变化值用于对算法进行实验验证。此外,本文提出了“噪声响应率”的概念,以衡量频率对噪声的敏感程度;并提出先对各阶频率的噪声响应率进行评价后再选择噪声响应率低的频率用于预测损伤的做法,数值验证和实验验证结果表明了该方法的有效性。利用两种算法分别对试件进行损伤识别,实验验证结果表明,SAGA预测误差约10%,而ANN表现较差,误差超过34%。综上,本文得出的结论是,基于频率变化的方法可以用于识别FRP弧形板中的分层损伤,应采用有代理模型的遗传算法以达到最优的识别效率和精度。