对服役中的工程结构进行健康监测和病态问题预测,可以提前获知结构隐患,从而采取相应的措施,以避免事故的发生,减少损失。因此,结构病态问题预测具有一定的实际意义,而结构损伤信号分析是其重要一环。以此为背景,本文系统研究了基于深度置信网络(Deep Belief Network,DBN)的结构病态问题预测方法。研究了基于变分模态分解(Variational Mode Decomposition,VMD)的现代信号处理方法,利用相关系数指标确定VMD分解分量的个数,利用相关系数最大法提取分解分量中表征结构损伤信息的分量,经Hilbert变换得到瞬时频率。结果表明,瞬时频率与结构的刚度和损伤程度有关。因此,瞬时频率能够反映结构的运行状态,故将其作为结构病态问题预测的指标,为进一步的结构病态问题预测奠定了基础。研究了VMD和DBN相结合的结构病态问题预测方法(VMD-DBN),利用Mackey-Glass(MG)混沌时间序列研究了迭代次数、隐含层神经元节点个数、隐含层层数对DBN模型预测精度的影响。为了验证VMD-DBN模型的优越性,将其与VMD-WNN模型、VMD-LSTM模型进行了对比,从工程仿真的加速度振动信号和实际工程的加速度振动信号中得到瞬时频率,作为DBN、WNN、LSTM模型的输入。实验结果表明,VMD-DBN模型比VMD-WNN模型和VMD-LSTM模型的预测精度更高、性能更优,验证了VMD-DBN模型对结构病态问题预测的准确性。提出了多模型集成预测方法,对工程仿真信号和实际工程振动信号的结构病态问题进行预测。通过加权平均法和投票法融合的方式对权值系数进行分配,分析了不同的权值对预测精度的影响。实验结果表明,当权值?=0.8时多模型集成方法的预测结果更接近实际值,相比于传统的算术平均模型和其他三种单一的预测模型,多模型集成方法预测结果的预测性能最优,预测精度最高。