王 亞 東

(中南電力設(shè)計院有限公司,湖北 武漢 430071)

筒倉結(jié)構(gòu)作為工業(yè)中常見的儲藏結(jié)構(gòu)，因其封閉性導致結(jié)構(gòu)內(nèi)部損傷用觀察法幾乎無法發(fā)現(xiàn)，隨著損傷的積累，結(jié)構(gòu)一旦發(fā)生破壞會造成嚴重的人身財產(chǎn)損失。過去幾十年來，各國學者已經(jīng)對結(jié)構(gòu)損傷檢測與智能診斷進行了大量的研究工作，但在實際工程應(yīng)用中，很多檢測方法都遇到系統(tǒng)易受環(huán)境影響、模型依賴性強、系統(tǒng)容錯性差等問題的困擾[1]。神經(jīng)網(wǎng)絡(luò)診斷法與傳統(tǒng)的專家診斷法相比，具有良好的非線性映射能力，強大的解決反問題的能力和推廣能力以及良好的系統(tǒng)魯棒性[2-4]。本文采用結(jié)合時間序列和神經(jīng)網(wǎng)絡(luò)的方法對筒倉結(jié)構(gòu)進行損傷診斷具有一定的理論和實際意義，同時能為今后的工程實踐提供參考。

1 基于時間序列和神經(jīng)網(wǎng)絡(luò)診斷的基本原理

時間序列是按時間排列一組隨機數(shù)列，這組時間序列具有一定的統(tǒng)計規(guī)律[5-7]。在結(jié)構(gòu)損傷診斷過程中，對結(jié)構(gòu)施加動力振動荷載，準確得到結(jié)構(gòu)特定位置的振動信號，將信號利用時間序列建模尋找各信號之間的內(nèi)在規(guī)律，可以充分反映出結(jié)構(gòu)自身特性的某些信息[8-10]。利用結(jié)構(gòu)自身某些特征來訓練神經(jīng)網(wǎng)絡(luò)，當這個特征發(fā)生變化時，神經(jīng)網(wǎng)絡(luò)就能找出符合其規(guī)律變化的原因，即找出結(jié)構(gòu)的損傷。

損傷診斷中關(guān)鍵的一環(huán)是損傷敏感因子(DSF)的選取，合適的敏感因子會大大減少訓練時間。本文采用如下?lián)p傷敏感因子：

DSF={T,dsf1,…,dsfi,…,dsfn}

dsfi={φ1i,φ2i,φ3i,φ4i},i=1,2,…,n,

(1)

其中，T為筒倉結(jié)構(gòu)基本自振周期；{φ1i,φ2i,φ3i,φ4i}為對i節(jié)點的加速度時程響應(yīng)進行時間序列建模，并提取前四階自回歸系數(shù)。

2 筒倉模型數(shù)值驗證

2.1 筒倉結(jié)構(gòu)有限元模型

本文采用SAP2000有限元軟件來進行筒倉結(jié)構(gòu)的有限元模型建立。有限元模型參數(shù)設(shè)置如表1所示。

筒倉底部連接方式為固接。整個模型總共60個節(jié)點，60個截面，節(jié)點和截面編號如圖1所示。

2.2 結(jié)構(gòu)激勵的輸入和損傷的定義

結(jié)構(gòu)的動力激勵采用高斯白噪聲。采樣頻率100 Hz，長度20 s，激勵方向沿x軸方向。筒倉的損傷通過減小某個截面的壁厚來模擬。第一層損傷定義為面1,2,9,10的厚度減小，其他各層以此類推。

表1 未損傷時模型前四階自回歸系數(shù)

2.3 未損傷狀態(tài)

根據(jù)上述理論，提取每層各一個節(jié)點的x向的加速度時程響應(yīng)的數(shù)據(jù)建立時間序列模型。

關(guān)鍵節(jié)點的模型階數(shù)和自回歸系數(shù)如表2所示。

表2 未損傷時模型前四階自回歸系數(shù)

通過SAP2000模態(tài)分析，可以得到未損傷情況下，結(jié)構(gòu)的基本周期為0.081 s。綜上，結(jié)構(gòu)在未損傷情況下，損傷敏感因子為：

DSFfine={T,φ4i,φ22i,φ32i,φ42i,φ52i}=
{0.080 89,0.640,1.163,0.690 7,1.115,0.085 28,
1.587,1.147,1.498,1.095,1.783,1.693,1.624,1.335,
1.998,2.197,2.009,1.573,2.359,2.744,2.675}

(2)

2.4 單損傷情況診斷

2.4.1單損傷位置診斷

訓練工況為每層選定的截面厚度依次變?yōu)?50 mm，175 mm，200 mm，共15種訓練工況。采用與未損傷狀態(tài)下提取DSF一樣的步驟，提取訓練和檢驗工況下的DSF。

檢驗工況見表3。

表3 單損傷檢驗工況

得到上述工況的DSF之后，建立一個三層BP神經(jīng)網(wǎng)絡(luò)。以提取出的DSFi作為輸入向量；每行對應(yīng)一層分層，因此目標輸出向量為一個5行向量，如果某層發(fā)生結(jié)構(gòu)損傷，則該層輸出為1，其余層輸出為0。在實際診斷過程中，輸出大于0.9則認為發(fā)生了損傷，輸出小于0.2則認為未發(fā)生損傷。利用訓練工況和目標輸出訓練這個BP網(wǎng)絡(luò)。再用這個網(wǎng)絡(luò)對表3中無噪聲情況的7種工況的損傷位置進行診斷。診斷結(jié)果見表4。

表4 單損傷無噪聲情況下位置診斷結(jié)果

從表4可以看出網(wǎng)絡(luò)對損傷位置的診斷結(jié)果非常精確，診斷誤差都很小。

2.4.2單損傷程度診斷

損傷程度的診斷原理與位置診斷的原理相同，仍采用上文提出的損傷敏感因子對神經(jīng)網(wǎng)絡(luò)進行訓練。損傷程度的定義為筒倉壁厚的改變的比例：

其中，df為損傷前倉壁厚；dd為損傷后倉壁厚。

以第二層發(fā)生損傷為例，神經(jīng)網(wǎng)絡(luò)采用徑向基神經(jīng)網(wǎng)絡(luò)(RBF網(wǎng)絡(luò))。以二層截面厚度為140 mm,150 mm,180 mm,200 mm,250 mm為訓練樣本。RBF網(wǎng)絡(luò)徑向基擴展速度設(shè)置為Spread=1.2。

檢驗工況及診斷結(jié)果見表5。

表5 單損傷程度檢驗工況診斷結(jié)果

由表5可以看出，使用RBF網(wǎng)絡(luò)對筒倉結(jié)構(gòu)的損傷程度判斷非常準確。診斷誤差最大0.94%，最小0.08%。

3 結(jié)語

1)應(yīng)用時間序列和神經(jīng)網(wǎng)絡(luò)的診斷方法能夠有效地診斷筒倉結(jié)構(gòu)的損傷位置和損傷程度，且診斷的精度較高。

2)利用結(jié)構(gòu)中某點的加速度作為時間序列的樣本，加速度時程易于實際工程中提取。

3)神經(jīng)網(wǎng)絡(luò)的訓練樣本越多，診斷精度越高。

4)本文只驗證了筒倉結(jié)構(gòu)單層損傷的情況，對于多層損傷以及在噪聲干擾的情況下，損傷診斷的精度仍需研究。