吳 磊，紀國宜

（南京航空航天大學 機械結構力學及控制國家重點實驗室，南京 210016）

結構健康監(jiān)測（SHM）這一觀念是1960年提出來的，用于評估結構目前的健康程度[1]。不論什么設備，由于腐蝕、疲勞、磨損和過載等可能的過程，都會導致性能開始下降，所以能夠盡快可靠獲得結構目前的健康情況是非常關鍵的，這不僅可以防止大的工作事故的發(fā)生，也可以減少維修費用。比如1973年美國三里島核電站堆芯損壞事故、1985年美國航天飛機“挑戰(zhàn)者號”墜毀、1986年前蘇聯切爾諾貝利核電站泄漏事故等等，都是由設備故障造成的嚴重的世界性的事故。這表明結構健康監(jiān)測對于保證設備可靠有效運行是非常重要的。其次有效的結構健康監(jiān)測可以減少維修費用，因為對結構尤其是大型結構定期檢查耗時耗費，目前國內外對設備主要進行計劃維修，但是這明顯是非常不合理的，如果大型工廠里在機器停止運行后進行檢查，可能會造成大的經濟損失，而結構在線健康監(jiān)測可以讓結構在需要檢查的時候對其進行檢查，不浪費時間，增加了工作效率。英國曾對2000家工廠展開調查，發(fā)現使用結構在線健康監(jiān)測技術后，每年可節(jié)約3億英鎊的維修費用。日本航空公司長期以來一直對JT3D噴氣式發(fā)動機使用在線監(jiān)測技術，將大修壽命從1200小時增加到超過12000小時，直至大修取消。因此，實施結構在線健康監(jiān)測極其重要。

多數經典的結構損傷檢測系統(tǒng)主要包含2個過程，即特征提取和特征分類，特征提取需要大量的計算處理，從而導致其無法在結構的在線監(jiān)測中得到應用，并且傳統(tǒng)的特征提取方法是人為依靠經驗提取特征，提取的特征可能并不是對所監(jiān)測的損傷敏感的特征，從而會影響分類的結果[2]。卷積神經網絡將特征提取與特征分類融合到一個學習體中，所以它可以從原始數據的處理開始，通過反向傳播同時進行優(yōu)化，對特征進行提取和分類，以獲得更準確的結果。最近的研究表明，卷積神經網絡在許多領域比傳統(tǒng)機器學習方法的效果更好，如圖像、語音識別、心電圖信號分類、電力電子技術應用中的故障檢測等[3]。

本文采集了磨機中的主減速器在實際生產工作中的振動信號，以此檢驗引入一維卷積神經網絡的結構健康監(jiān)測模型的有效性。

本文內容如下：第1小節(jié)簡單介紹卷積神經網絡以及一維卷積神經網絡；第2小二節(jié)介紹引入一維卷積神經網絡的結構健康監(jiān)測的模型的建立；第3小節(jié)對試驗的結果進行分析。第4小節(jié)對卷積神經網絡在結構健康監(jiān)測中的應用做一些小結。

1 卷積神經網絡基本結構

卷積神經網絡是研究人員通過對大腦視覺皮層系統(tǒng)進行研究，分析大腦中信息的傳遞方式提出的，卷積神經網絡模型是模擬大腦中神經元建立的。最初卷積神經網絡是作為分類器使用，主要用于圖像識別[4]。自2012年Krizhevsky等使用擴展了深度的卷積神經網絡在LSVRC競賽中取得了當時最佳的分類效果以后，卷積神經網絡越來越受人們的重視[5]。卷積神經網絡作為神經網絡的一個重要分支，其特點在于其每一層的特征都是由上一層的輸入通過卷積核才得到的。這一特點使得卷積神經網絡在眾多神經網絡方法中脫穎而出，更適合應用于圖像和音頻特征的學習與表達[6]。圖1表示的是卷積神經網絡中的一個早期經典的網絡結構，是一個非常高效的識別手寫體數字的神經網絡。卷積神經網絡由輸入層、卷積層、池化層、全連接層以及輸出層組成。其中卷積層與池化層通常交替分布，通過反復疊加的卷積池化層，可以將低層特征逐步變?yōu)楦邔犹卣?。圖1由1個輸入層、2個卷積層、2個池化層、2個全連接層和1個輸出層組成。而且從圖中可以發(fā)現，卷積層和池化層中的卷積核和池化采樣矩陣的數量并不是只有一個，該數量稱為通道（channel）數，多通道卷積核與池化層中的采樣矩陣可以同時提取多種特征。所以卷積神經網絡中，卷積核的數量與池化參數大小是非常關鍵的，圖1表示通道數不同的5×5和2×2的矩陣，其中參數的數值大小通過反向傳播的訓練過程不斷優(yōu)化。

圖1 LeNet-5結構圖

由于二維卷積神經網絡需要大量的訓練數據，所以二維卷積神經網絡很難有效應用在有限的數據實驗中[7]。又因為一維卷積神經網絡參數少了很多，不需要特別多的訓練數據，所以可以彌補上述缺點，且因為都是一維計算，計算時間短且計算簡單，所以適用于在線監(jiān)測[8-9]。

1D卷積神經網絡和上述2D神經網絡類似，但有些不一樣。顧名思義，上述的卷積神經網絡無論是輸入還是卷積層和池化層的大小都是二維矩陣，然而一維卷積神經網絡輸入和卷積層與池化層都是一維向量[10]。其他都和二維卷積神經網絡一樣，都由輸入層、卷積層、池化層、全連接層和輸出層組成，都是通過反向傳播或梯度下降的方法不斷優(yōu)化參數。圖2為一維卷積神經網絡某一層卷積層和池化層示意圖，一共3層，其中卷積核大小為3，池化層大小為2，都為一維向量。

圖2 一維CNN卷積層與池化層的結構圖

圖3為二維的卷積神經網絡中某一層卷積層與池化層示意圖。其結構與1D一樣，只是卷積核與池化大小分別為3×3與2×2，都為二維矩陣。

以上為1D與2D卷積神經網絡的主要區(qū)別。

圖3 二維CNN卷積與池化層的結構圖

2 1D卷積神經網絡診斷模型的建立

通過上1小節(jié)所述的一維卷積神經網絡的結構特點初步建立1個一維卷積神經網絡模型。模型的參數具體如下所述：一維卷積神經網絡由1層輸入層、2層交替分布的卷積層和池化層、1層全連接層和輸出層構成。其中輸入層為800×1的向量，第一層卷積層的卷積核是有20個通道的49×1的向量，第二層卷積層的卷積核是有20個通道的188×1的向量，所有池化層都是有20個通道的4×1的向量，全連接層是20×10的向量，輸出層是10×2向量。卷積和池化層激活函數為tanh函數，輸出層的激活函數為softmax函數。

為驗證模型的有效性所采用的試驗信號為實際工作中從磨機的主減速機上采集到的振動信號。試驗中一共分析8組數據，它們是在隨機抽取的8天的某一時間段內在主減速機運轉過程中采集的振動信號。其中前3組是正常運行狀態(tài)下的數據，后5組是出現故障以后的數據。采樣頻率為2048 Hz，采樣時間為30分鐘，故每組一共采集了3686400個數據，由于采集到的信號噪聲很大，故需對其做一些簡單的預處理，將其轉換到頻域中[11]。首先將采集到的8組數據中每組隨機抽取連續(xù)的204800個數據，每組各分成10份，一共80份，每份20480個數據。然后對每份數據進行快速傅里葉變換轉換成頻域信號，由于數據中噪聲成分比較大，所以進行10次平均，提高信噪比，降低噪聲對識別的影響。由于采樣頻率為2048 Hz，取預處理之后前800個數據，得到80份800×1的向量。以此作為輸入數據代入卷積神經網絡中，最后輸出0或1這兩個結果。其中0表示運行正常，1表示出現故障。為了使模型泛化，要求訓練數據不能與測試數據來自同一時間段采集的信號。所以從前3組中抽取2組數據，從后5組數據中隨機抽3組數據，作為訓練數據集即50份800×1的向量。剩下的作為測試數據即30份800×1的向量。并在試驗完成后，再次選擇不同的組別作為訓練組重新驗證，以便更加有說服力。所用的代碼用MATLAB編寫。

下面展示了部分數據的時域圖和頻譜圖。圖4是第1組和第2組數據在正常狀態(tài)下的0.1 s的時域波形圖與第7組和第8組數據在故障狀態(tài)下的0.1 s的時域波形圖。

圖5是第1組和第2組數據在正常狀態(tài)下的經過10次平均的頻譜圖與第7組和第8組數據在故障狀態(tài)的經過10次平均的頻譜圖。

3 實測數據分析

一共進行3次試驗，測試結果都與實際一致。下面僅列出一種測試結果進行分析，由表1所示。

圖40 .1 s時域波形圖

前10個為正常數據，后20個為出現故障的數據。從表中可以得到，神經網絡模型所判斷的結果與實際結果全部一致且判斷的概率基本都大于99%，可以初步證明本文的方法可以有效判斷結構的狀態(tài)。由于用來驗證的數據來自于實際工作中采集的數據，所以此方法可以適用于同型號磨機的在線健康監(jiān)測。此方法的主要過程總結如下：隨機選取數組在機器正常運轉時采集的數據以及保存的以往出現故障的數據作為訓練數據集，訓練神經網絡模型，然后將從目前正在使用的結構上采集的數據輸入該模型，進行結構健康狀態(tài)判斷。綜上所述，測試結果可以初步證明此方法可以有效檢測結構的健康狀態(tài)。

圖5 頻譜圖

表1 卷積神經網絡測試結果

4 結語

本文介紹了在傳統(tǒng)的結構健康監(jiān)測過程中引入1D卷積神經網絡的方法，將特征提取和特征分類過程融合在一起，加快了模型特征提取和分類的時間，并利用卷積神經網絡自動判斷含有強噪聲的結構的健康狀態(tài)。文中采集的信號來自于磨機，而磨機在運轉過程中振動非常大，甚至幾乎每天都會因過大的振動而跳停，故在磨機主減速機運行過程中采集的振動信號含有很強的噪聲，傳統(tǒng)的結構健康監(jiān)測方法需要對信號進行復雜的降噪處理，增加了計算的時間，同時由于結構復雜，最終可能需要專家或經驗豐富的操作人員來判斷結構的健康狀態(tài)，難以實現故障自動判別。而上述試驗初步驗證了本文提出的方法可以從含有強噪聲的信號中快速準確地獲得監(jiān)測結果，而不需要過多采用降噪手段以及依賴于操作人員的經驗或技術水平。由于數據獲取途徑的限制，文中僅僅用基礎的卷積神經網絡的結構建立模型，而以目前卷積神經網絡在其它領域的快速發(fā)展來看，卷積神經網絡在結構健康監(jiān)測方面還可以得到更多應用。因為卷積神經網絡按其功能可以大致分為3類：分類、回歸、概率估計。結構健康監(jiān)測也大致可按4層結構劃分：監(jiān)測、定位、評估、預測。本文僅僅將卷積神經網絡的分類功能應用于結構健康監(jiān)測的損傷監(jiān)測過程，卷積神經網絡的引入大大提高結構損傷監(jiān)測的效率。為了將卷積神經網絡更好應用于結構健康監(jiān)測，如果將卷積神經網絡的回歸和概率估計也應用到健康監(jiān)測過程的結構評估和預測中，也必將會獲得更大的收益。