梁宗保，柴 潔， 納守勇，馬天立，唐 玉

(1. 重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074； 2. 重慶忠萬(wàn)高速公路有限公司，重慶 401147)

0 引 言

建立四通八達(dá)的現(xiàn)代化交通網(wǎng)，大力發(fā)展交通運(yùn)輸事業(yè)，對(duì)發(fā)展國(guó)民經(jīng)濟(jì)，促進(jìn)文化交流和鞏固國(guó)防等方面都具有非常重要的作用。橋梁是交通的重要組成部分，橋梁安全問(wèn)題是在役橋梁的核心問(wèn)題。通過(guò)橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)可以實(shí)時(shí)了解橋梁結(jié)構(gòu)狀態(tài)，對(duì)橋梁進(jìn)行有效維護(hù)，延長(zhǎng)橋梁的使用壽命。

橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)包含信息獲取與安全評(píng)價(jià)兩個(gè)環(huán)節(jié)[1]，信息獲取環(huán)節(jié)以多種類型的傳感器及相關(guān)儀器組成的硬件系統(tǒng)為主。橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)中數(shù)據(jù)有效性問(wèn)題大多是由信息獲取環(huán)節(jié)的硬件設(shè)備造成的。監(jiān)測(cè)設(shè)備出現(xiàn)故障，無(wú)法為后續(xù)的安全評(píng)價(jià)提供正確的原始信息，從而對(duì)評(píng)價(jià)結(jié)果產(chǎn)生嚴(yán)重影響，導(dǎo)致橋梁結(jié)構(gòu)事故預(yù)兆的漏報(bào)或誤報(bào)。因此，傳感器采集的原始信息有效性問(wèn)題是橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)面臨的重大科學(xué)技術(shù)問(wèn)題。

國(guó)內(nèi)外相關(guān)研究都集中在異常數(shù)據(jù)分析、橋梁安全評(píng)估等方面，對(duì)橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)有效性分析的研究較少。胡順仁等[2]采用主成分分析法，結(jié)合關(guān)聯(lián)穩(wěn)態(tài)模型分析，通過(guò)統(tǒng)計(jì)過(guò)程控制限和T2控制限的計(jì)算發(fā)現(xiàn)失效數(shù)據(jù)點(diǎn)；黃曉微等[3]提出了一種基于K最近鄰的傳感器有效度算法，并將該算法應(yīng)用于攀枝花倮果大橋健康監(jiān)測(cè)系統(tǒng)的撓度數(shù)據(jù)分析；袁慎芳等[4]利用超球面一類支持向量機(jī)，結(jié)合核主成分分析，成功識(shí)別常規(guī)監(jiān)測(cè)數(shù)據(jù)和特殊事件數(shù)據(jù)。但這些方法都是根據(jù)數(shù)據(jù)的統(tǒng)計(jì)特性識(shí)別單點(diǎn)失真數(shù)據(jù)，需要大量的領(lǐng)域知識(shí)，不能直接用于判斷數(shù)據(jù)的有效性。

近年來(lái)，深度學(xué)習(xí)(deep learning, DL)在人工智能領(lǐng)域取得了重大成果。DL由G. E. HINTON等[5]在2006年提出，DL模型由多層非線性運(yùn)算單元組合而成，將較低層的輸出作為更高一層的輸入，通過(guò)這種方式自動(dòng)地從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)抽象的特征表示，發(fā)現(xiàn)數(shù)據(jù)的分布特征。 DL因在特征提取與處理方面的優(yōu)勢(shì)在計(jì)算機(jī)視覺(jué)[6]、語(yǔ)音識(shí)別[7-8]與自然語(yǔ)言處理[9]等領(lǐng)域應(yīng)用廣泛。DL在橋梁健康監(jiān)測(cè)系統(tǒng)中也發(fā)揮著重要作用。梁宗保等[10]提出了一種基于DL的橋梁結(jié)構(gòu)健康診斷方法，將自編碼器、支持向量機(jī)(support vector machine, SVM)相結(jié)合，采用5層網(wǎng)絡(luò)對(duì)橋梁結(jié)構(gòu)健康進(jìn)行診斷；馮微等[11]針對(duì)車撞橋墩過(guò)程中橋墩受損等級(jí)不易被實(shí)時(shí)監(jiān)測(cè)和預(yù)警的問(wèn)題，構(gòu)建了基于DL的橋墩損傷等級(jí)判別模型；S. CHEN等[12]提出了一種多分辨率自適應(yīng)圖濾波分類方法，通過(guò)半監(jiān)督學(xué)習(xí)標(biāo)記信號(hào)并將該方法間接應(yīng)用于橋梁結(jié)構(gòu)健康監(jiān)測(cè)。但在監(jiān)測(cè)數(shù)據(jù)有效性分析中，DL尚未得到廣泛應(yīng)用，鑒于DL具備從復(fù)雜數(shù)據(jù)中提取數(shù)據(jù)特征、學(xué)習(xí)數(shù)據(jù)分布的能力，可以將DL應(yīng)用于橋梁健康監(jiān)測(cè)數(shù)據(jù)有效性分析。

橋梁由不同的結(jié)構(gòu)體組成，斜拉橋同一結(jié)構(gòu)體各測(cè)量點(diǎn)間呈現(xiàn)位置上的關(guān)聯(lián)[2]，同一時(shí)刻受到同一外部作用時(shí)，同截面和相鄰測(cè)量點(diǎn)的數(shù)據(jù)保持高度關(guān)聯(lián)。針對(duì)上述特性，提出了一種灰色關(guān)聯(lián)度與DL相結(jié)合的方法，通過(guò)灰色關(guān)聯(lián)分析(grey relation analysis, GRA)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，自動(dòng)給定數(shù)據(jù)標(biāo)簽并進(jìn)行標(biāo)簽正確性驗(yàn)證，結(jié)合DL模型深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)、深度信念網(wǎng)絡(luò)(deep belief network, DBN)對(duì)數(shù)據(jù)有效性進(jìn)行分析，提高模型預(yù)測(cè)效率，實(shí)現(xiàn)了監(jiān)測(cè)數(shù)據(jù)有效性的智能分析。

1 DNN與DBN

1.1 DNN

DNN是輸入層和輸出層之間有多個(gè)隱藏層的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)，DNN通過(guò)學(xué)習(xí)來(lái)存儲(chǔ)輸入與輸出間的復(fù)雜映射關(guān)系。DNN中單個(gè)神經(jīng)元為感知機(jī)模型，模型結(jié)構(gòu)如圖1。感知機(jī)模型是生物神經(jīng)細(xì)胞的簡(jiǎn)單抽樣，模型輸出是輸入經(jīng)過(guò)線性變換與函數(shù)激活的結(jié)果。神經(jīng)元上的計(jì)算為：

(1)

式中：x為模型輸入；w為權(quán)重；b為偏置；Z為線性運(yùn)算結(jié)果；f()為激活函數(shù)，通常為tanh()或sigmoid()函數(shù)；y為神經(jīng)元輸出。DNN的學(xué)習(xí)是基于損失函數(shù)最小化的，通過(guò)反向傳播算法最小化假設(shè)函數(shù)與實(shí)際值間的距離，迭代優(yōu)化w與b。

圖1 感知機(jī)模型

DNN通過(guò)疊加多層感知機(jī)，解決了淺層神經(jīng)網(wǎng)絡(luò)非線性擬合不佳的問(wèn)題。對(duì)于非線性的復(fù)雜數(shù)據(jù)，DNN能自動(dòng)提取數(shù)據(jù)特征，具有較高的預(yù)測(cè)精度。

1.2 DBN

受限玻爾茲曼機(jī)(restricted boltzmann machines, RBM)是包含一層可見(jiàn)單元和一層隱藏單元的無(wú)向概率圖模型，層間全連接，層內(nèi)無(wú)連接，其結(jié)構(gòu)如圖2。DBN是由多個(gè)RBM累疊所得，且具有若干隱藏變量層的生成模型。作為自編碼器，DBN可以在盡量保留數(shù)據(jù)特征的情況下降低數(shù)據(jù)維度；作為分類器，DBN可以有效減少分類錯(cuò)誤率。DBN的一種高效訓(xùn)練方式是將復(fù)雜模型看作是一組簡(jiǎn)單模型的組合序列，采用逐層無(wú)監(jiān)督的方法學(xué)習(xí)參數(shù)[13]。

圖2 RBM模型

DBN允許序列中的RBM接收不同的數(shù)據(jù)表示，且保持前一個(gè)RBM的輸出為后一個(gè)RBM的輸入，因此能夠更好的學(xué)習(xí)數(shù)據(jù)分布，具有較高的分類性能。

2 數(shù)據(jù)有效性預(yù)測(cè)模型設(shè)計(jì)

DNN、DBN模型可以學(xué)習(xí)到刻畫數(shù)據(jù)本質(zhì)屬性的特征，對(duì)數(shù)據(jù)分類任務(wù)有很大幫助[14]。以下利用DNN與DBN，建立用于分析橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)傳感器數(shù)據(jù)有效性的模型。

2.1 DNN模型結(jié)構(gòu)

建立用于橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)有效性分析的DNN模型主要需要確定以下超參數(shù)：模型層數(shù)、輸入層神經(jīng)元個(gè)數(shù)、輸出層神經(jīng)元個(gè)數(shù)、隱藏層神經(jīng)元個(gè)數(shù)。模型輸入層神經(jīng)元個(gè)數(shù)一般等于輸入的數(shù)據(jù)序列長(zhǎng)度，輸出層神經(jīng)元個(gè)數(shù)為分類任務(wù)的類別數(shù)。參考Kolmogorov定理，結(jié)合對(duì)比實(shí)驗(yàn)，確定模型層數(shù)及神經(jīng)元個(gè)數(shù)。模型結(jié)構(gòu)如圖3，圖中數(shù)據(jù)為該層內(nèi)神經(jīng)元個(gè)數(shù)。

圖3 DNN模型結(jié)構(gòu)

模型損失函數(shù)采用交叉熵函數(shù)：

h0(xi)]

(2)

式中：h0(xi)為輸入xi時(shí)DNN的輸出；yi為樣本標(biāo)簽；N為樣本個(gè)數(shù)。

反向傳播過(guò)程中計(jì)算公式為：

(3)

式中：α為學(xué)習(xí)率。

模型輸出與數(shù)據(jù)段類型對(duì)應(yīng)關(guān)系如表1。模型訓(xùn)練過(guò)程：利用權(quán)重系數(shù)矩陣w與偏置向量b和輸入向量x進(jìn)行前向傳播得到模型輸出；計(jì)算模型輸出與標(biāo)簽間的損失函數(shù)；通過(guò)反向傳播算法最小化損失函數(shù)，優(yōu)化模型參數(shù)，提高模型性能。

表1 模型輸出結(jié)果對(duì)應(yīng)關(guān)系

2.2 DBN模型結(jié)構(gòu)

建立用于橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)有效性分析的DBN模型，模型由兩個(gè)RBM堆疊而成。模型輸入層神經(jīng)元個(gè)數(shù)與輸入序列長(zhǎng)度一致，模型結(jié)構(gòu)如圖4，圖中括號(hào)內(nèi)為單層神經(jīng)元個(gè)數(shù)。模型訓(xùn)練過(guò)程采用對(duì)比散度算法[15]，詳細(xì)流程如1)至4)：

圖4 DBN模型結(jié)構(gòu)

1)將輸入賦值給可見(jiàn)層v，計(jì)算隱藏層中每個(gè)神經(jīng)元被激活的概率p(h1|v1)。隱藏層中神經(jīng)元hj被激活的概率為：

(4)

式中：hj=1為神經(jīng)元處于激活狀態(tài)；f()為激活函數(shù)；bj為j的偏置；vi為可見(jiàn)層神經(jīng)元i的輸入；wij為i與j間的權(quán)重。

2)利用Gibbs采樣，從已得到的概率分布中抽取一個(gè)樣本：h1～p(h1|v1)。

3)通過(guò)h1實(shí)現(xiàn)可見(jiàn)層的重構(gòu)，利用隱藏層反推可見(jiàn)層中神經(jīng)元被激活的概率p(v2|h1)?？梢?jiàn)層中神經(jīng)元vi被激活的概率為：

(5)

式中：ci為i的偏置。

4)同2)，抽取一個(gè)樣本v2～p(v2|h1)，用v2計(jì)算隱藏層神經(jīng)元激活概率p(h2|v2)并更新參數(shù)為：

(6)

式中：w為權(quán)重；b、c分別是可見(jiàn)層和隱藏層的偏置；λ為學(xué)習(xí)率。

模型訓(xùn)練過(guò)程如下：將輸入層和隱藏層H1作為第1個(gè)RBM，訓(xùn)練RBM的參數(shù)，然后固定參數(shù)，將H1作為可見(jiàn)層，H2作為隱藏層，訓(xùn)練第2個(gè)RBM，逐層訓(xùn)練每一個(gè)RBM，最后通過(guò)有監(jiān)督的反向傳播算法微調(diào)網(wǎng)絡(luò)中每層之間的權(quán)重，進(jìn)一步優(yōu)化網(wǎng)絡(luò)。

3 無(wú)效數(shù)據(jù)段特征分析與數(shù)據(jù)集構(gòu)建

對(duì)橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征分析的主要目的是研究數(shù)據(jù)的分布特征，進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行分析與處理。目前橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)的特征分析大多針對(duì)單點(diǎn)數(shù)據(jù)，但在實(shí)際應(yīng)用中，單點(diǎn)與數(shù)據(jù)段之間存在一定的關(guān)聯(lián)，一個(gè)無(wú)效數(shù)據(jù)段必然包含無(wú)效數(shù)據(jù)點(diǎn)，單個(gè)數(shù)據(jù)點(diǎn)的失效也會(huì)導(dǎo)致數(shù)據(jù)段的失效，因此在數(shù)據(jù)特征分析的基礎(chǔ)上針對(duì)數(shù)據(jù)段進(jìn)行處理，主要方法如下：首先根據(jù)無(wú)效數(shù)據(jù)段常見(jiàn)特征標(biāo)記數(shù)據(jù)段，然后結(jié)合橋梁撓度傳感器節(jié)點(diǎn)布置情況根據(jù)GRA[16]對(duì)數(shù)據(jù)有效性進(jìn)行分類，構(gòu)建數(shù)據(jù)集。

3.1 無(wú)效數(shù)據(jù)段特征分析

數(shù)據(jù)段失效可能是連續(xù)的數(shù)據(jù)點(diǎn)失效，也可能是單個(gè)數(shù)據(jù)點(diǎn)異常。無(wú)效數(shù)據(jù)一般存在兩種情況：超過(guò)閾值且無(wú)法恢復(fù)的數(shù)據(jù)；因傳感器故障而產(chǎn)生震蕩的數(shù)據(jù)。

無(wú)效數(shù)據(jù)段常見(jiàn)的特征如下：①漂移失效：在斜拉橋監(jiān)測(cè)中，正常情況下，測(cè)點(diǎn)數(shù)據(jù)在一段時(shí)間內(nèi)的幅值變化具有一定規(guī)律，如果某段時(shí)間內(nèi)，數(shù)據(jù)幅值呈現(xiàn)連續(xù)小幅恒定增加或小幅恒定減小的漂移變化，則此段數(shù)據(jù)為漂移失效；②數(shù)據(jù)頻率異常：正常情況下橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)按照一定的頻率波動(dòng)，無(wú)效數(shù)據(jù)可能出現(xiàn)波動(dòng)異常；③恒值失效：傳感器因故停止工作或輸出不變，可能導(dǎo)致某一時(shí)間段內(nèi)數(shù)據(jù)為恒定值；④數(shù)據(jù)段跳變：相比原有數(shù)據(jù)，某段數(shù)據(jù)的波動(dòng)特征變化不明顯，但幅值出現(xiàn)較為明顯的增加或減少。

3.2 數(shù)據(jù)集構(gòu)建

根據(jù)3.1節(jié)中無(wú)效數(shù)據(jù)段常見(jiàn)特征能夠?qū)?shù)據(jù)段進(jìn)行可視化標(biāo)記，但很大一部分無(wú)效數(shù)據(jù)段的變化處于合理的范圍內(nèi)，沒(méi)有表現(xiàn)出可視化的常見(jiàn)無(wú)效特征，因此不能直接標(biāo)記。鑒于斜拉橋同截面與相鄰節(jié)點(diǎn)的數(shù)據(jù)存在高度關(guān)聯(lián)的特性，可利用關(guān)聯(lián)性分析來(lái)標(biāo)記無(wú)效數(shù)據(jù)段。

關(guān)聯(lián)性分析是一種能夠可視化地定量地說(shuō)明事物或參數(shù)之間相互關(guān)系的方法，主要思路是通過(guò)比較一個(gè)樣本數(shù)據(jù)序列和其他若干序列在不同維度上的相似程度來(lái)衡量序列間的緊密性。GRA是一種經(jīng)典的多因素關(guān)聯(lián)分析方法，主要研究對(duì)象是離散的數(shù)據(jù)狀態(tài)變量，比如橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)。在系統(tǒng)發(fā)展過(guò)程中，如果兩個(gè)因素的變化趨勢(shì)具有一致性，即同步程度較高，則認(rèn)為兩者關(guān)聯(lián)較大；反之，則兩者關(guān)聯(lián)較小。斜拉橋結(jié)構(gòu)特性表明，其相鄰節(jié)點(diǎn)在荷載作用下的效應(yīng)數(shù)據(jù)之間的關(guān)聯(lián)性較強(qiáng)，而節(jié)點(diǎn)數(shù)據(jù)失效則會(huì)影響這種關(guān)聯(lián)性。因此灰色關(guān)聯(lián)度可以運(yùn)用在斜拉橋撓度數(shù)據(jù)分析中，根據(jù)參考序列和比較序列間的動(dòng)態(tài)關(guān)聯(lián)關(guān)系判斷監(jiān)測(cè)數(shù)據(jù)是否有效。GRA標(biāo)記數(shù)據(jù)的步驟如下：

1)確定數(shù)據(jù)列：將撓度傳感器數(shù)據(jù)以天為單位切分為數(shù)據(jù)段，需要判斷有效性的數(shù)據(jù)段為參考數(shù)據(jù)列，相鄰和同截面節(jié)點(diǎn)的數(shù)據(jù)列為比較數(shù)據(jù)列。

2)數(shù)據(jù)標(biāo)準(zhǔn)化：對(duì)數(shù)據(jù)序列進(jìn)行無(wú)量綱處理，轉(zhuǎn)化為方差為0，標(biāo)準(zhǔn)差為1的數(shù)據(jù)序列。

3)計(jì)算關(guān)聯(lián)系數(shù)：假設(shè)參考數(shù)據(jù)列X0和m個(gè)比較數(shù)據(jù)列X{Xi|i=1,2,……m}均有n維分量，關(guān)聯(lián)系數(shù)的計(jì)算公式為：

ξoi(k)=

(7)

式中：ρ為分辨系數(shù)，取值一般在區(qū)間(0, 1)；k為第k維分量。

4)計(jì)算關(guān)聯(lián)度：計(jì)算參考數(shù)據(jù)列在各個(gè)分量上的關(guān)聯(lián)系數(shù)均值為：

(8)

式中：roi為關(guān)聯(lián)度，反映了序列間的變化相似度。

5)判定參考數(shù)據(jù)列有效性：參照關(guān)聯(lián)度常用強(qiáng)度判定[17]，結(jié)合斜拉橋結(jié)構(gòu)力學(xué)理論分析及橋梁行業(yè)一般認(rèn)定[2]，對(duì)數(shù)據(jù)序列進(jìn)行有效性判定的標(biāo)準(zhǔn)如下：關(guān)聯(lián)度0.8～1.0屬于強(qiáng)關(guān)聯(lián)，判定為有效數(shù)據(jù)段；0.8～0.6屬于較強(qiáng)關(guān)聯(lián)，判定為一般有效數(shù)據(jù)段；0.6以下屬于弱關(guān)聯(lián)，判定為無(wú)效數(shù)據(jù)段。判定結(jié)果標(biāo)簽設(shè)定如表2。

表2 數(shù)據(jù)處理結(jié)果對(duì)應(yīng)關(guān)系

其中，有效數(shù)據(jù)段即能夠真實(shí)反映橋梁節(jié)點(diǎn)結(jié)構(gòu)狀況的數(shù)據(jù)段，可直接用于后續(xù)的橋梁健康診斷。無(wú)效數(shù)據(jù)段即無(wú)法真實(shí)反映橋梁節(jié)點(diǎn)結(jié)構(gòu)狀況的數(shù)據(jù)段，不可用于橋梁健康診斷。而一般有效數(shù)據(jù)段即能夠大致反映橋梁節(jié)點(diǎn)結(jié)構(gòu)情況的數(shù)據(jù)段，需要進(jìn)一步處理以確認(rèn)其是否可用。例如通過(guò)修復(fù)其中的異常數(shù)據(jù)點(diǎn)，重新計(jì)算關(guān)聯(lián)度來(lái)確定其是否為有效數(shù)據(jù)段。

采用上述判定標(biāo)準(zhǔn)對(duì)參考數(shù)據(jù)列與比較數(shù)據(jù)列的關(guān)聯(lián)度均值進(jìn)行判定，完成數(shù)據(jù)集的構(gòu)建。

6)驗(yàn)證數(shù)據(jù)標(biāo)簽可信度：使用統(tǒng)計(jì)算法3σ、孤立森林和LOF算法對(duì)傳感器數(shù)據(jù)進(jìn)行單點(diǎn)異常分析，通過(guò)異常點(diǎn)在數(shù)據(jù)段所占比例驗(yàn)證標(biāo)簽可信度。

根據(jù)上述方法結(jié)合傳感器布置位置對(duì)馬桑溪大橋主梁撓度傳感器數(shù)據(jù)進(jìn)行特征分析與處理，構(gòu)建數(shù)據(jù)集。馬桑溪大橋撓度傳感器節(jié)點(diǎn)布置如圖5，圖中節(jié)點(diǎn)標(biāo)號(hào)與關(guān)聯(lián)度計(jì)算中數(shù)據(jù)列標(biāo)號(hào)對(duì)應(yīng)。圖6為數(shù)據(jù)段關(guān)聯(lián)度計(jì)算結(jié)果示例。表3為數(shù)據(jù)集標(biāo)簽可信度驗(yàn)證結(jié)果。

圖5 橋梁主梁傳感器節(jié)點(diǎn)布置

4 實(shí)驗(yàn)與結(jié)果分析

4.1 數(shù)據(jù)集、度量方式與實(shí)現(xiàn)細(xì)節(jié)

在橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)有效性分析中，使用第3部分的數(shù)據(jù)列構(gòu)建數(shù)據(jù)集，判定結(jié)果為數(shù)據(jù)標(biāo)簽，表1為模型輸出與數(shù)據(jù)標(biāo)簽間對(duì)應(yīng)關(guān)系。將數(shù)據(jù)集以6∶2∶2的比例切分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。采用交叉熵函數(shù)和準(zhǔn)確度作為衡量指標(biāo)。模型構(gòu)建主要基于Keras與TensorFlow框架，選定規(guī)模為32的小批量RMSprop作為模型優(yōu)化器，即反向傳播算法。

表3 數(shù)據(jù)標(biāo)簽可信度

圖6 關(guān)聯(lián)度計(jì)算結(jié)果示例

4.2 實(shí)驗(yàn)與實(shí)驗(yàn)結(jié)果

基于Keras框架構(gòu)建DNN模型，模型架構(gòu)如圖3，隱藏層選擇修正線性單元(rectified linear unit, RLU)作為激活函數(shù)；輸出層激活函數(shù)為Softmax函數(shù)；損失函數(shù)使用交叉熵函數(shù)；學(xué)習(xí)率0.05；迭代次數(shù)100。根據(jù)圖4構(gòu)建DBN模型，激活函數(shù)、損失函數(shù)、評(píng)價(jià)指標(biāo)、迭代次數(shù)、學(xué)習(xí)率與DNN相同。

使用決策樹(decision tree)、隨機(jī)森林(random forest)、 SVM等機(jī)器學(xué)習(xí)分類方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)效果如表4。

表4 模型預(yù)測(cè)結(jié)果對(duì)比

4.3 實(shí)驗(yàn)分析

將決策樹、隨機(jī)森林、SVM等多種經(jīng)典機(jī)器學(xué)習(xí)算法與DNN、DBN模型進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4。在相同數(shù)據(jù)集上，相比于決策樹模型，DBN提高約14.12%的預(yù)測(cè)精度。實(shí)驗(yàn)證明，深度模型具備較強(qiáng)的數(shù)據(jù)分析與處理能力，更適用于橋梁健康監(jiān)測(cè)數(shù)據(jù)有效性分析。

但DNN、DBN模型中存在大量參數(shù)，且參數(shù)初始值隨機(jī)設(shè)定，因此在訓(xùn)練過(guò)程中容易陷入局部最優(yōu)，影響網(wǎng)絡(luò)模型訓(xùn)練及測(cè)試精度。結(jié)合人工螢火蟲群優(yōu)化算法(glowworm swarm optimization, GSO[18]，進(jìn)一步優(yōu)化DBN。GSO具有較好的解決優(yōu)化問(wèn)題的能力，將損失函數(shù)作為目標(biāo)函數(shù)，采用GSO對(duì)RBM的初始參數(shù)進(jìn)行優(yōu)化，提高模型泛化性及測(cè)試精度。實(shí)驗(yàn)結(jié)果如表5，表中DBN-R表示參數(shù)隨機(jī)初始化，DBN-GSO表示使用螢火蟲算法優(yōu)化初始參數(shù)。實(shí)驗(yàn)證明使用GSO算法進(jìn)行模型參數(shù)初始化可以提高模型預(yù)測(cè)精度。

表5 模型優(yōu)化結(jié)果

5 結(jié) 論

數(shù)據(jù)有效性分析對(duì)橋梁健康監(jiān)測(cè)系統(tǒng)具有重要意義?；谛崩瓨蚪Y(jié)構(gòu)特性，使用GRA對(duì)橋梁撓度傳感器數(shù)據(jù)段有效性進(jìn)行判斷，結(jié)合多種異常檢測(cè)算法對(duì)判斷結(jié)果進(jìn)行驗(yàn)證。以判定結(jié)果為數(shù)據(jù)標(biāo)簽，利用DNN、DBN模型進(jìn)行訓(xùn)練，結(jié)合GSO與DBN，得出以下結(jié)論：

1)采用GRA衡量數(shù)據(jù)段間的相關(guān)性，能夠自動(dòng)給定數(shù)據(jù)標(biāo)簽并進(jìn)行驗(yàn)證，為預(yù)測(cè)模型提供數(shù)據(jù)集。

2) 基于DL的數(shù)據(jù)有效性分析模型效果優(yōu)于經(jīng)典機(jī)器學(xué)習(xí)方法。相比于決策樹，DBN模型預(yù)測(cè)準(zhǔn)確度提高了14.12%，具有更高的預(yù)測(cè)精度與應(yīng)用價(jià)值。

3)基于DBN-GSO的橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)有效性分析模型預(yù)測(cè)精度達(dá)到了94.47%，驗(yàn)證了所提方法的有效性。