近年来在役工业建筑的安全性备受关注,因此本文根据现场实测数据,通过建立有限元模型,将频响函数（FRF）与人工神经网络技术（ANN）和主成分分析法（PCA）相结合,对某工业框架转运站的结构损伤进行了定位与量化预测。基于振动的损伤识别技术是应用于全尺寸的方法,其原理是损伤会改变结构的物理性质（例如质量,刚度和阻尼）以及其动态性质。因此,利用来自结构振动测得动态量来检测损伤是可行的。基于振动特性的损伤识别本质上是模式识别,其目的是寻找两个或多个信号之间的区别,例如结构损伤前后,或者损伤程度及位置的差异。然而ANN能够进行模式识别、分类、信号处理和系统识别,因此是补充基于振动的损伤检测技术的理想工具。同样PCA也具有模式识别功能,并且能够进行数据缩减和噪声过滤。基于这些特性,将这两种技术结合起来便可以克服与以前开发的基于振动的方法的局限性,并有助于提供更准确、更可靠的损伤识别结果。本文具体研究如下:（1）首先对工业框架转运站进行振动实测,即现场选取14个测点安装传感器,然后在四种设备运行工况下（静止、正常运行、超载运行、设备重启）进行振动测量,每次测量包括8192个数据点并进行了五次测量。随后将获取的时间历史数据转换到频域中并计算频响函数。之后将得到的频响函数数据集运用PCA进行降噪、过滤和精简,以便从中选取最主要的主元用作神经网络输入。（2）与此同时结合原设计图纸及现场情况建立了基准有限元,用以分析不同工况下结构构件损伤状况的。将刚度降低作为损伤情景,引入损伤指数DI并使用PCA选取主元,并在此过程中分析噪音污染对主元选取的影响。随后使用ANN对所提取的数值模拟数据进行训练、验证与测试,从而建立损伤模式数据库。（3）最后将现场实测的未知损伤频响函数损伤指数DI代入训练好的神经网络,从而进行模式匹配最终预测到柱构件的损伤位置及程度。论文的主要贡献是使用所提出的神经网络对在役工业建筑构件进行了损伤定位与量化,该研究将有助于在役工业建筑的安全和有效运行。