謝祥輝,單德山,周筱航
(西南交通大學(xué) 土木工程學(xué)院,四川 成都 610031)
橋梁結(jié)構(gòu)在運(yùn)營(yíng)過(guò)程中由于超載、疲勞和地震等原因不可避免地出現(xiàn)損傷,將影響橋梁結(jié)構(gòu)的正常使用和安全[1],因此及時(shí)準(zhǔn)確地對(duì)橋梁進(jìn)行損傷識(shí)別十分必要?,F(xiàn)有橋梁結(jié)構(gòu)損傷識(shí)別方法主要有模型修正法、損傷指標(biāo)法、模式識(shí)別法等[2-3]。模式識(shí)別法具有分類能力強(qiáng)、擬合能力強(qiáng)、人為因素影響小等優(yōu)點(diǎn),在橋梁損傷識(shí)別中得到了廣泛應(yīng)用[4-5]。
橋梁損傷識(shí)別的模式識(shí)別法主要包括人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)[2]。其中,人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在橋梁損傷識(shí)別中得到了較為全面而深入的研究。楊杰等[6]對(duì)BP神經(jīng)網(wǎng)絡(luò)在大跨斜拉橋斜拉索損傷識(shí)別中的應(yīng)用進(jìn)行了深入的研究。MEHRJOO等[7]以固有頻率及振型為輸入?yún)?shù),利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)桁架橋的損傷識(shí)別。單德山等[8]將地震易損性與支持向量機(jī)相結(jié)合,提出了橋梁地震損傷識(shí)別方法。HASNI等[9]利用支持向量機(jī)對(duì)鋼橋箱梁的疲勞裂縫識(shí)別進(jìn)行了研究。但是BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單,隱含層數(shù)量較少,使其模式分類能力較弱[10],限制了現(xiàn)有模式識(shí)別方法在橋梁損傷識(shí)別中的應(yīng)用。
深度神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的不足,具有更強(qiáng)的模式分類和復(fù)雜函數(shù)擬合能力,適用于解決復(fù)雜的模式分類問(wèn)題[10-11]。目前深度神經(jīng)網(wǎng)絡(luò)已經(jīng)獲得較大發(fā)展,在計(jì)算機(jī)視覺、語(yǔ)音識(shí)別等領(lǐng)域得到了廣泛應(yīng)用[12-14]。其中,堆棧降噪自動(dòng)編碼器SDAE(Stacked Denoising Autoencoders)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練優(yōu)化相對(duì)簡(jiǎn)單且具有較強(qiáng)的模式識(shí)別能力,已在手寫數(shù)字識(shí)別等領(lǐng)域取得了良好的應(yīng)用效果[15-16]。但目前關(guān)于SDAE在橋梁損傷識(shí)別領(lǐng)域中的應(yīng)用研究仍較為欠缺。
本文針對(duì)橋梁損傷識(shí)別中現(xiàn)有模式識(shí)別法存在的問(wèn)題,將SDAE引入橋梁損傷識(shí)別工作中,提出了基于SDAE的橋梁損傷識(shí)別方法。
圖1 基于堆棧降噪自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
SDAE是目前常用的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),是一種經(jīng)過(guò)無(wú)監(jiān)督貪婪逐層預(yù)訓(xùn)練和系統(tǒng)性參數(shù)優(yōu)化的多層非線性深度網(wǎng)絡(luò)結(jié)構(gòu)[15]。SDAE由數(shù)個(gè)負(fù)責(zé)特征提取的降噪自動(dòng)編碼器DAE(Denoising Autoencoder)和頂層的分類器組成,其網(wǎng)絡(luò)結(jié)構(gòu)見圖1。每一層的DAE對(duì)輸入?yún)?shù)進(jìn)行抽象特征提取,得到輸入?yún)?shù)的抽象特征。輸入樣本經(jīng)過(guò)多層DAE的特征提取與組合后,最終形成輸入樣本的高階抽象特征并作為分類器的輸入。最終,樣本所屬類別由分類器作出判斷[10]。
DAE由編碼器及解碼器組成,見圖2。DAE從含噪聲的受損輸入數(shù)據(jù)中學(xué)習(xí)原始輸入數(shù)據(jù)的特征,經(jīng)過(guò)編碼及解碼后力求重現(xiàn)原始輸入數(shù)據(jù),可以在保留輸入數(shù)據(jù)特征的基礎(chǔ)上提取其抽象表示[15]。
圖2 降噪自動(dòng)編碼器
編碼器是添加噪聲后的輸入數(shù)據(jù)x到隱含層的映射,可以表示為
h=f(x)=Sf(Wx+bI)
(1)
式中:h為經(jīng)過(guò)編碼后得到輸入數(shù)據(jù)的隱含層表示;Sf為編碼器的激勵(lì)函數(shù),本文采用非線性激勵(lì)函數(shù)Sigmoid函數(shù),即Sf(x)=1/(1-ex);W為輸入層到隱含層的權(quán)重參數(shù)矩陣;bI為輸入層到隱含層的偏置矩陣。
解碼器是隱含層到輸入層的映射,解碼后得到重構(gòu)數(shù)據(jù)y,可以表示為
(2)
橋梁損傷識(shí)別可以分為損傷預(yù)警、損傷定位、損傷程度評(píng)估3部分[17]。本文提出的基于SDAE的橋梁損傷識(shí)別方法適用于損傷預(yù)警及損傷定位任務(wù)。
基于SDAE的橋梁損傷識(shí)別方法的步驟包括:選擇損傷指標(biāo)、構(gòu)建樣本庫(kù)、選擇分類器及訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu),見圖3。與現(xiàn)有的模式識(shí)別法相比,基于SDAE的橋梁損傷識(shí)別方法的主要區(qū)別是樣本庫(kù)的構(gòu)建、分類器的選擇及網(wǎng)絡(luò)的訓(xùn)練方法。以下對(duì)基于SDAE橋梁損傷識(shí)別方法與現(xiàn)有模式識(shí)別法的不同之處進(jìn)行說(shuō)明。
圖3 基于降噪自動(dòng)編碼器的橋梁損傷識(shí)別方法
現(xiàn)有的模式識(shí)別法在確定損傷指標(biāo)后,依托有限元分析等方法,應(yīng)用有標(biāo)簽的樣本構(gòu)建訓(xùn)練樣本庫(kù)。但是,基于SDAE損傷識(shí)別方法還需要構(gòu)建包含大量無(wú)標(biāo)簽樣本的預(yù)訓(xùn)練樣本庫(kù),用于DAE的預(yù)訓(xùn)練。預(yù)訓(xùn)練樣本庫(kù)中的無(wú)標(biāo)簽樣本應(yīng)按選定的損傷指標(biāo)進(jìn)行提取,但樣本的類別標(biāo)簽無(wú)需標(biāo)出。
有標(biāo)簽樣本的獲取消耗大量的時(shí)間及人力成本,而無(wú)標(biāo)簽樣本數(shù)據(jù)的獲取則相對(duì)容易。使用無(wú)標(biāo)簽樣本的預(yù)訓(xùn)練能提高網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別能力,降低對(duì)有標(biāo)簽數(shù)據(jù)的依賴,這是基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法的重要基礎(chǔ)[18]。
目前,Softmax回歸模型是SDAE分類器常用的算法,是Logistics回歸模型的擴(kuò)展,適用于多種分類問(wèn)題[19]。橋梁結(jié)構(gòu)損傷通常同時(shí)存在多種損傷模式,因此本文將采用Softmax回歸模型進(jìn)行損傷模式分類。
Softmax回歸模型的輸出是輸入樣本屬于某一類別的概率,其所有輸出之和為1。例如當(dāng)樣本的損傷模式類別共有4類,輸出結(jié)果為(0,0,0.8,0.2)時(shí),則該樣本屬于類別3的概率為80%,屬于類別4的概率為20%。樣本的類別判定為輸出結(jié)果中概率最大的類別,即該樣本屬于類別3且識(shí)別結(jié)果置信度為80%。
SDAE的訓(xùn)練包括DAE的無(wú)監(jiān)督貪婪逐層預(yù)訓(xùn)練和整個(gè)SDAE的系統(tǒng)性參數(shù)優(yōu)化2個(gè)步驟[15]。DAE的預(yù)訓(xùn)練步驟如下:
1)使用無(wú)監(jiān)督算法對(duì)第一層DAE進(jìn)行訓(xùn)練,將重構(gòu)樣本的重構(gòu)誤差控制在一定范圍,其輸出作為下一層DAE的輸入;
2)以上一層DAE的輸出作為輸入,使用無(wú)監(jiān)督算法對(duì)本層DAE進(jìn)行訓(xùn)練,使其重構(gòu)誤差控制在一定范圍;
3)重復(fù)步驟2),直到完成所有DAE的訓(xùn)練為止;
4)將最后一個(gè)DAE的輸出作為分類器的輸入。
DAE的預(yù)訓(xùn)練完成后,為使網(wǎng)絡(luò)具有分類或擬合能力,還需要對(duì)整個(gè)SDAE進(jìn)行有監(jiān)督訓(xùn)練,即整個(gè)網(wǎng)絡(luò)的系統(tǒng)性參數(shù)優(yōu)化,系統(tǒng)性參數(shù)優(yōu)化可采用梯度下降算法[15]。
本文以連續(xù)梁橋?yàn)槔?,進(jìn)行損傷位置識(shí)別,詳細(xì)論述本文提出的基于SDAE的橋梁損傷識(shí)別方法,并驗(yàn)證其準(zhǔn)確性及適用性。
連續(xù)梁橋橫截面為0.5 m×0.5 m,長(zhǎng)度為(24+24)m,分為24個(gè)單元,每個(gè)單元長(zhǎng)度為2 m,見圖4。連續(xù)梁橋的材料為鋼,材料的彈性模量E=2.06×108kN/m2,泊松比υ=0.3,密度ρ=7 850 kg/m3。結(jié)構(gòu)損傷主要體現(xiàn)為其剛度的下降。本文以材料彈性模量E的下降模擬損傷,使用ANSYS建立該連續(xù)梁橋的有限元模型。
圖4 連續(xù)梁橋模型示意
研究結(jié)果[20-21]表明曲率模態(tài)能較好地進(jìn)行損傷定位。因此,本文采用梁的曲率模態(tài)作為損傷指標(biāo),曲率模態(tài)計(jì)算方法可以表示為
(3)
式中:γij為梁的第i個(gè)節(jié)點(diǎn)在j模態(tài)階數(shù)下的曲率模態(tài);Zij為梁的第i個(gè)節(jié)點(diǎn)在j模態(tài)階數(shù)下的位移模態(tài);l為相鄰梁節(jié)點(diǎn)間的距離。
針對(duì)該連續(xù)梁橋的損傷位置識(shí)別任務(wù),本文構(gòu)建了包含3個(gè)DAE及1個(gè)分類器的SDAE模型。其中,分類器算法使用Softmax回歸模型。同時(shí),本文還建立了隱含單元數(shù)量與SDAE模型一致的BP神經(jīng)網(wǎng)絡(luò),使用同一監(jiān)督訓(xùn)練樣本庫(kù)進(jìn)行訓(xùn)練。為比較2種方法的損傷識(shí)別效果,分別應(yīng)用所提方法及BP神經(jīng)網(wǎng)絡(luò)法對(duì)連續(xù)梁橋的損傷位置進(jìn)行識(shí)別,并對(duì)2種方法的識(shí)別正確率進(jìn)行對(duì)比。
本文設(shè)定的損傷工況既包括單處損傷工況,也包含多處損傷工況。損傷模式類別由損傷位置決定,損傷位置相同的工況歸為同一類別,而損傷位置則由損傷單元決定,損傷工況見表1。其中,損傷模式記憶能力測(cè)試工況為T1,T4,T7,內(nèi)推能力測(cè)試工況為T2,T5,T8,外推能力測(cè)試工況為T3,T6,T9。
預(yù)訓(xùn)練樣本庫(kù)由任意提取的285個(gè)無(wú)標(biāo)簽連續(xù)梁橋曲率模態(tài)樣本組成。監(jiān)督訓(xùn)練樣本庫(kù)由表1中9個(gè)工況的損傷單元分別發(fā)生10%,20%,30%,40%及50%損傷的有標(biāo)簽樣本組成,即由45個(gè)有標(biāo)簽樣本組成監(jiān)督訓(xùn)練樣本庫(kù)。依據(jù)前述的SDAE訓(xùn)練方法,依次進(jìn)行DAE的無(wú)監(jiān)督貪婪逐層預(yù)訓(xùn)練及SDAE的監(jiān)督訓(xùn)練(系統(tǒng)性參數(shù)優(yōu)化)。BP神經(jīng)網(wǎng)絡(luò)按梯度下降算法進(jìn)行訓(xùn)練。測(cè)試以表1中的9個(gè)損傷工況作為測(cè)試工況,SDAE損傷識(shí)別結(jié)果見表2,BP神經(jīng)網(wǎng)絡(luò)損傷識(shí)別結(jié)果見表3。
表1 損傷工況
表2 SDAE損傷識(shí)別結(jié)果
由表2可見,基于SDAE損傷識(shí)別方法的損傷位置識(shí)別結(jié)果正確率為100%,置信度較高。識(shí)別結(jié)果說(shuō)明:所提方法的損傷模式記憶能力較強(qiáng),具備良好的內(nèi)推及外推能力?;赟DAE橋梁損傷識(shí)別方法的損傷位置識(shí)別能力良好,能夠很好地區(qū)分不同損傷位置,并進(jìn)行準(zhǔn)確地?fù)p傷定位。
表3 BP神經(jīng)網(wǎng)絡(luò)損傷識(shí)別結(jié)果
由表3可見:基于BP神經(jīng)網(wǎng)絡(luò)損傷識(shí)別方法的識(shí)別正確率僅為78%(正確7個(gè),誤判2個(gè)),在損傷情況較為復(fù)雜時(shí)識(shí)別正確率出現(xiàn)了下滑。在與表2的損傷識(shí)別結(jié)果進(jìn)行對(duì)比后,可以發(fā)現(xiàn):基于SDAE橋梁損傷識(shí)別方法可以在監(jiān)督訓(xùn)練樣本數(shù)量相同的條件下實(shí)現(xiàn)比BP神經(jīng)網(wǎng)絡(luò)方法更高的損傷識(shí)別正確率。
在實(shí)際的試驗(yàn)及測(cè)量中,噪聲的影響不可避免。為考慮噪聲對(duì)所提方法損傷識(shí)別效果的影響,考慮5%,10%,20%的噪聲對(duì)所提方法識(shí)別結(jié)果的影響。噪聲的施加方式為
X=(1+rδ)X0
(4)
式中:X0為未施加噪聲之前的特征值;r為噪聲水平;δ為 均值0、標(biāo)準(zhǔn)差1的高斯隨機(jī)數(shù)。
施加噪聲后所提方法的損傷識(shí)別結(jié)果見表4—表6。
表4 SDAE損傷識(shí)別結(jié)果(5%噪聲)
由表4—表6可見,在5%,10%噪聲的影響下,本文方法的損傷識(shí)別結(jié)果正確率較高,分別為89%(正確8個(gè),誤判1個(gè))、78%(正確7個(gè),誤判2個(gè))。即使噪聲水平達(dá)到20%,識(shí)別結(jié)果正確率仍達(dá)67%(正確6個(gè),誤判3個(gè))。測(cè)試結(jié)果表明:在較高水平噪聲影響下,本文方法仍可以保持良好的識(shí)別效果,具有良好抗噪性能。
表5 SDAE損傷識(shí)別結(jié)果(10%噪聲)
表6 SDAE損傷識(shí)別結(jié)果(20%噪聲)
1)本文提出的基于堆棧降噪自動(dòng)編碼器的橋梁損傷識(shí)別方法識(shí)別效果良好,識(shí)別正確率高。
2)在有標(biāo)簽樣本數(shù)量相同的情況下,本文所提方法能充分利用無(wú)標(biāo)簽數(shù)據(jù),獲得比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法更高的識(shí)別正確率和更強(qiáng)的識(shí)別能力。
3)在較高水平噪聲影響下,本文所提方法能保持較高的識(shí)別正確率,具有較強(qiáng)的抗噪能力。
4)本文僅是對(duì)堆棧降噪自動(dòng)編碼器等深度神經(jīng)網(wǎng)絡(luò)在橋梁損傷識(shí)別領(lǐng)域應(yīng)用的初步探索,其在實(shí)際復(fù)雜橋梁上的識(shí)別效果還有待進(jìn)一步研究。
[1]朱宏平,余璟,張俊兵.結(jié)構(gòu)損傷動(dòng)力檢測(cè)與健康監(jiān)測(cè)研究現(xiàn)狀與展望[J].工程力學(xué),2011,28(2):1-11.
[2]吳向男,徐岳,梁鵬,等.橋梁結(jié)構(gòu)損傷識(shí)別研究現(xiàn)狀與展望[J].長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,33(6):49-58.
[3]韓大建,王文東.基于振動(dòng)的結(jié)構(gòu)損傷識(shí)別方法的近期研究進(jìn)展[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2003,31(1):91-96.
[4]劉鑫.橋梁結(jié)構(gòu)損傷識(shí)別的模式分類和聚類識(shí)別方法研究[D].武漢:武漢理工大學(xué),2014.
[5]單德山,付春雨,李喬.橋梁結(jié)構(gòu)損傷診斷的統(tǒng)計(jì)學(xué)習(xí)理論[M].北京:科學(xué)出版社,2014.
[6]楊杰,李愛群,繆長(zhǎng)青.BP神經(jīng)網(wǎng)絡(luò)在大跨斜拉橋的斜拉索損傷識(shí)別中的應(yīng)用[J].土木工程學(xué)報(bào),2006,39(5):72-77.
[7]MEHRJOO M,KHAJI N,MOHARRAMI H,et al.Damage Detection of Truss Bridge Joints Using Artificial Neural Networks[J].Expert Systems with Applications,2008,35(3):1122-1131.
[8]單德山,周筱航,楊景超,等.結(jié)合地震易損性分析的橋梁地震損傷識(shí)別[J].振動(dòng)與沖擊,2017,36(16):195-201.
[9]HASNI H,ALAVI A H,JIAO P,et al.Detection of Fatigue Cracking in Steel Bridge Girders:A Support Vector Machine Approach[J].Archives of Civil & Mechanical Engineering,2017,17(3):609-622.
[10]BENGIO Y.Learning Deep Architectures for AI[J].Foundations and Trends in Machine Learning,2009,2(1):1-55.
[11]HINTON G E,OSINDERO S,TEH Y W.A Fast Learning Algorithm for Deep Belief Nets[J].Neural Computation,2006,18(7):1527-1554.
[12]SOHN K,JUNG D Y,LEE H,et al.Efficient Learning of Sparse,Distributed,Convolutional Feature Representations for Object Recognition[C]// IEEE International Conference on Computer Vision.Barcelona,Spain:DBLP,2011:2643-2650.
[13]BENGIO Y,COURVILLE A,VINCENT P.Representation Learning:A Review and New Perspectives[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(8):1798-1828.
[14]劉建偉,劉媛,羅雄麟.深度學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究,2014,31(7):1921-1930.
[15]曲建嶺,杜辰飛,邸亞洲,等.深度自動(dòng)編碼器的研究與展望[J].計(jì)算機(jī)與現(xiàn)代化,2014(8):128-134.
[16]VINCENT P,LAROCHELLE H,BENGIO Y,et al.Extracting and Composing Robust Features with Denoising Autoencoders[C]// Proceeding of the 25th International Conference on Machine Learning.New York,American:ACM Press,2008:1096-1103.
[17]單德山,付春雨,李喬.鐵路橋梁損傷的統(tǒng)計(jì)模式識(shí)別[J].橋梁建設(shè),2011,41(1):18-21.
[18]ERHAN D,BENGIO Y,COURVILLE A,et al.Why Does Unsupervised Pre-training Help Deep Learning?[J].Journal of Machine Learning Research,2010,11(3):625-660.
[19]汪海波,陳雁翔,李艷秋.基于主成分分析和Softmax回歸模型的人臉識(shí)別方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2015(6):759-763.
[20]張謝東,張治國(guó),詹昊.基于曲率模態(tài)和柔度曲率的結(jié)構(gòu)多損傷識(shí)別[J].武漢理工大學(xué)學(xué)報(bào),2005,27(8):35-37.
[21]陳江,熊峰.基于曲率模態(tài)振型的損傷識(shí)別方法研究[J].武漢理工大學(xué)學(xué)報(bào),2007,29(3):99-102.