为保证桥梁结构的正常运营和安全,对桥梁状态进行监测并及时采取有效维护措施是十分重要的。目前,应用于实际工程的桥梁健康监测系统积累了海量桥梁状态信息,但桥梁状态评估仍以人工检查数据为主,桥梁健康监测数据未得到充分利用。另外,现阶段大部分桥梁的维护工作主要依据现有的相关规范和标准。尽管规范和标准规定了每类桥梁的检测周期,但不同构件的重要性、环境条件、受力状态均不相同,且这些特性在桥梁生命周期内会发生变化,从而导致了维护周期决策的偏差。本文利用动态模糊神经网络建立了桥梁构件维护周期决策系统,引入滑动窗对传统动态模糊神经网络的学习算法进行改进从而实现了系统对动态指标权重的增量学习,可为桥梁构件维护周期提供更加准确的确定方法。本文的主要内容包括:1.在对传统动态模糊神经网络学习方法进行分析的基础上,引入滑动窗对其学习流程进行改进,使得动态模糊神经网络具备增量学习特性。分别使用采用两种学习方法的动态模糊神经网络对Hermite函数进行逼近。结果表明:引入滑动窗的动态模糊神经网络学习方法具备与传统学习方法相近的学习准确性,即采用该方法不会造成动态模糊神经网络学习能力下降。2.参考已有研究,利用引入滑动窗的动态模糊神经网络建立桥梁构件维护周期决策系统。采用基于模糊层次分析法的桥梁状态评估系统模拟实际条件下专家评估过程,使用本文提出的决策系统对评估结果进行学习并测试系统决策准确性。结果表明:本文建立的决策系统可通过对一定量决策数据进行学习提取评估指标权重,进而做出基于该评估指标权重的桥梁构件检测周期决策。3.以青马大桥为例,采用本文提出的决策系统对青马大桥各构件的维护周期进行决策。对比本文提出的决策系统的决策结果与已有决策方法的决策结果,证明本文提出的决策系统的正确性。通过改变评估指标权重模拟实际条件下桥梁评估重点的变化,验证本文提出的决策系统对动态权重指标的适应性。