结构的损伤会对结构造成灾难性的后果,成为威胁现代机械不间断运行的重要因素。所以,对结构进行损伤检测已成为科学研究的热点。目前有大量地损伤检测方法已经被提出并应用于结构损伤检测领域,其中应用最为广泛的是基于振动分析的检测方法。以此为基础,本文提出了一种基于神经网络的结构损伤检测方法。由于结构在损伤时往往伴随其内部能量分布的变化,而对采集的结构信号进行短时傅立叶变换,得到的二维时-频谱图能反映出结构的能量分布。基于这点,本文提出了用短时傅立叶变换(STFT)和脉冲耦合神经网络(PCNN)相结合的方法来提取信号的特征,并将该特征信号用来训练自组织特征映射(SOM)神经网络,以便完成对结构损伤的分类和识别。本文介绍了短时傅立叶变换、PCNN、小波阈值消噪和SOM神经网络的基本原理,并重点介绍了PCNN模型在图像特征提取中的应用。文中通过用PCNN模型对三幅图像进行熵序列特征提取的例子,说明了PCNN模型对不同图像提取出的熵序列特征有其唯一性,且具有一定的抗噪性,可将其用于识别图像,进而说明了将PCNN用于提取谱图的特征和识别损伤是有理论依据的。本文给出了三种不同损伤状况的简支梁在随机白噪声激励条件下的实验步骤。对采集的加速度信号数据进行了短时傅立叶变换,用PCNN对得到的能量谱图进行了特征提取,并用经过特征信号训练过的SOM神经网络对简支梁的损伤作了分类检测,以此验证了所提方法的可行性和有效性。总体来说,本文通过理论的分析和实验的验证,成功地将短时傅立叶变换和PCNN在图像特征提取中的理论应用在了简支梁的损伤检测中,为该方法以后在实际工作中的应用提供了参考价值。