周 澍

(湖南省高速公路集團(tuán)有限公司,湖南 長沙 410131 )

近年來,由于對結(jié)構(gòu)狀態(tài)評估的實時性較差,許多大型結(jié)構(gòu)坍塌事件不斷發(fā)生,應(yīng)用結(jié)構(gòu)監(jiān)測技術(shù)對大型結(jié)構(gòu)進(jìn)行監(jiān)測十分必要[1]。結(jié)構(gòu)健康監(jiān)測技術(shù)在工程領(lǐng)域得到了廣泛的應(yīng)用。其中,結(jié)構(gòu)損傷識別是結(jié)構(gòu)健康監(jiān)測技術(shù)的重要內(nèi)容之一。結(jié)構(gòu)損傷識別分為靜力檢測和動力檢測兩種方法,在動力檢測法中有模式識別、ARMA時序分析以及神經(jīng)網(wǎng)絡(luò)等方法[2]。隨著計算機技術(shù)的發(fā)展,機器學(xué)習(xí)作為人工智能的技術(shù)核心,也得到了快速發(fā)展和應(yīng)用,相關(guān)領(lǐng)域?qū)W者將機器學(xué)習(xí)很好的應(yīng)用到了結(jié)構(gòu)損傷識別中。袁穎[3]等提出基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)模型的兩步法,該方法展示了很好的識別能力,在添加3%以及5%噪聲情況下也能有較高的識別精度,但樣本信息有限可能會影響識別效果。常虹[4]等針對結(jié)構(gòu)的損傷識別采用了BP神經(jīng)網(wǎng)絡(luò)進(jìn)行研究,其分析結(jié)果表明該方法預(yù)測結(jié)構(gòu)的損傷程度是可行的。Chathurdara[5]等通過優(yōu)化人工神經(jīng)網(wǎng)絡(luò)模型提出了一種基于自動編碼器的結(jié)構(gòu)損傷識別框架,與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比有更好的識別準(zhǔn)確性和效率。

卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)的模型,在處理圖像、計算機視覺領(lǐng)域取得了重大突破,為土木工程學(xué)科的發(fā)展帶來新的機遇[6]。在損傷識別領(lǐng)域中,Du等基于圖神經(jīng)網(wǎng)絡(luò)將歐幾里得結(jié)構(gòu)數(shù)據(jù)的振動信號轉(zhuǎn)化為圖輸入到CNN中進(jìn)行機械故障判別,驗證了CNN的可行性。Lu等將圖饋入CNN中進(jìn)行特征映射,再將映射的樣本送入基座檢測器進(jìn)行故障檢測,實現(xiàn)了軸承故障的精確識別。李子奇等為避免工程結(jié)構(gòu)在建造或運營期因振動產(chǎn)生結(jié)構(gòu)損傷,討論了不同深度學(xué)習(xí)方法對結(jié)構(gòu)損傷識別方向的利弊,并采用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了較高精度的結(jié)構(gòu)損傷評估,其研究結(jié)果表明,在結(jié)構(gòu)損傷數(shù)據(jù)樣本有限的前提下,二維卷積神經(jīng)網(wǎng)絡(luò)相較于一維卷積神經(jīng)網(wǎng)絡(luò)對于結(jié)構(gòu)損傷具有更好的表現(xiàn)。唐和生等為解決實際結(jié)構(gòu)損傷識別中數(shù)據(jù)樣本不足而造成的識別精度不高等問題,提出了結(jié)合數(shù)字孿生與深度學(xué)習(xí)相結(jié)合的結(jié)構(gòu)損傷識別方法,并在建立有限元數(shù)值仿真模型的基礎(chǔ)上利用該方法實現(xiàn)了結(jié)構(gòu)在不同損傷工況下的動力響應(yīng),對結(jié)果進(jìn)行經(jīng)驗?zāi)B(tài)分解且處理后,得到結(jié)果表明,基于數(shù)字孿生和深度學(xué)習(xí)相結(jié)合的結(jié)構(gòu)損傷識別方法可以有效識別結(jié)構(gòu)損傷情況,解決了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)損傷識別中樣本數(shù)據(jù)匱乏的問題。張健飛等為了提高卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)損傷識別中的算法性能,提出了一種基于多頭自注意力的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)損傷模型,利用多頭自注意力機制實現(xiàn)了多為數(shù)據(jù)的表征,最后根據(jù)表征信息基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了結(jié)構(gòu)損傷模式識別,發(fā)現(xiàn)引入多頭自注意力及之后,卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜度大大降低,且識別精度得到了有效的提高。大部分CNN模型適合處理大規(guī)模數(shù)據(jù),因此需要更多的計算資源和時間。

一維卷積神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)的一種,主要用于時序數(shù)據(jù)的處理,可以從時序數(shù)據(jù)中自動提取出局部的特征,不需要考慮整個時序的信息,具有良好的表現(xiàn)性,在一定程度上降低了過擬合概率的發(fā)生。因此李世曉等直接將原始數(shù)據(jù)作為輸入,成功驗證了在5種不同工況下的識別能力。唐若笠等利用多尺度一維卷積神經(jīng)網(wǎng)絡(luò)端到端的方法對管道裂紋進(jìn)行了識別。

為了驗證卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)損傷識別的應(yīng)用可行性及可靠性,將一維卷積神經(jīng)網(wǎng)絡(luò)引入到結(jié)構(gòu)損傷識別,通過實驗驗證和數(shù)值模擬驗證了該模型在損傷識別中的有效性。

1 一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別相關(guān)理論

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論

卷積神經(jīng)網(wǎng)絡(luò)實際上是模擬哺乳動物視覺局部感受的過程,是一種前饋神經(jīng)網(wǎng)絡(luò),中間也有部分網(wǎng)絡(luò)會進(jìn)行反向傳播。具體來說,是將原始數(shù)據(jù)經(jīng)過隨機抽樣等方法提取到的特征輸入輸入層,再通過多次卷積和池化的操作,逐層提取特征,最終映射到輸出層。網(wǎng)絡(luò)模型需要通過多個訓(xùn)練批次的迭代更新來完成網(wǎng)絡(luò)模型的訓(xùn)練。一維卷積神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)中最基本的網(wǎng)絡(luò)模型,其卷積核只有一個維度,無需數(shù)據(jù)維度轉(zhuǎn)化的過程,可直接對時序數(shù)據(jù)進(jìn)行局部特征提取,具有更少的參數(shù)量,計算復(fù)雜度相對較低。1D-CNN模型的結(jié)構(gòu)由輸入層、隱藏層以及輸出層組成,其中隱藏層包括卷積層、池化層和全連接層。

卷積層中卷積操作的本質(zhì)是在在輸入數(shù)據(jù)上滑動n個長度為x固定大小的卷積核。卷積層使用高斯函數(shù)對該卷積核進(jìn)行初始化。之后再通過人工規(guī)定滑動步長k,每個卷積核將按照從左到右的順序?qū)斎氲木仃囘M(jìn)行橫向滑動以來提取不同的特征信息。在每次滑動的過程中,卷積核對每個位置上的數(shù)據(jù)進(jìn)行加權(quán)求和完成卷積計算生成一個新的特征值s。最后m×1維矩陣將轉(zhuǎn)化為由s構(gòu)成的[(m-x)/k+1]×n維輸出矩陣S。但是,通過加權(quán)求和的過程是一個線性操作,為了提高模型的表達(dá)能力,通常會使用激活函數(shù)對生成矩陣S進(jìn)行非線性變換得到矩陣A(m-x+1),并傳遞到下一卷積層進(jìn)行矩陣更新。

激活層通常連接在卷積層之后,用于調(diào)整卷積層的輸出。常見的激活函數(shù)包括ReLU和sigmoid函數(shù)等。劉致誠等通過研究對比了幾種激活函數(shù)的性能,其中ReLU激活函數(shù)計算速度更快的性能更優(yōu)。 ReLU的作用是將輸入數(shù)據(jù)進(jìn)行ReLU函數(shù)變換,其公式為

R(x)=max{0,x}

(1)

Sigmoid的作用是將輸入數(shù)據(jù)進(jìn)行sigmoid函數(shù)變換,其公式為

(2)

池化層的作用是對卷積層的輸出進(jìn)行降維和特征提取,因此池化層通常在激活層之后,通過池化操作可以有效減少參數(shù)數(shù)量,降低過擬合風(fēng)險。常見的池化操作由最大池化、平均池化和自適應(yīng)池化。采用最大池化層對矩陣A進(jìn)行數(shù)據(jù)特征提取。

Dropout層是一種用于防止過擬合的正則化方法,它可以隨機丟棄一部分神經(jīng)元,在訓(xùn)練過程中強制要求網(wǎng)絡(luò)學(xué)習(xí)到更加穩(wěn)健和泛化的特征,從而提高模型的魯棒性和泛化能力。

網(wǎng)絡(luò)模型經(jīng)過卷積、池化以及dropout等操作已經(jīng)獲得了局部特征信息的矩陣,為了后續(xù)能夠更好的將輸出結(jié)果做分類任務(wù),本文將設(shè)置全連接層以及Softmax輸出層進(jìn)行最后的處理分析。全連接層將所有通道的特征矩陣拼接在一起,通過線性變換和激活函數(shù)最終將得到的新矩陣代入輸出層。

輸出層是神經(jīng)網(wǎng)絡(luò)模型的最后一層,將網(wǎng)絡(luò)的輸出轉(zhuǎn)化為指定的形式,例如分類、回歸、生成等。本文通過用Softmax函數(shù)對權(quán)值矩陣進(jìn)行計算得到最大期望值用來處理分類任務(wù)。

1.2 1D-CNN模型的訓(xùn)練

1D-CNN模型的訓(xùn)練首先需要導(dǎo)入庫和數(shù)據(jù),然后再定義模型結(jié)構(gòu),接著對模型進(jìn)行編譯,最后進(jìn)行模型的訓(xùn)練。想要構(gòu)建最優(yōu)模型則需對網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)進(jìn)行不斷的修改。本網(wǎng)絡(luò)模型將使用交叉熵?fù)p失函數(shù),并選用Adam優(yōu)化器對模型學(xué)習(xí)率進(jìn)行調(diào)優(yōu)。當(dāng)損失值達(dá)到最小收斂時,1D-CNN完成模型構(gòu)建。測試階段需要將原始振動信號輸入完成訓(xùn)練后的最優(yōu)模型,則會輸出損傷識別結(jié)果。

根據(jù)特定的損傷識別目標(biāo),1D-CNN模型需要收集來自結(jié)構(gòu)振動信號的信息用于構(gòu)建網(wǎng)絡(luò)模型訓(xùn)練以及測試的數(shù)據(jù)集。在實際的工程應(yīng)用中,可以將有限元分析和實際的現(xiàn)場實驗相結(jié)合來采集多個測量點的加速度信號,形成原始數(shù)據(jù)集。在同一時間序列上,結(jié)構(gòu)的一些關(guān)鍵節(jié)點之間具有較大的相關(guān)性,因此將具有片段性的信號進(jìn)行連續(xù)拼接來增強1D-CNN模型的識別能力。采用有監(jiān)督的方式進(jìn)行損傷識別則需要將數(shù)據(jù)集中的樣本信號進(jìn)行標(biāo)記,將標(biāo)記完的數(shù)據(jù)集輸入1D-CNN進(jìn)行訓(xùn)練。

2 試驗驗證

為驗證所提方法的有效性及其在工程中的應(yīng)用價值,以一個大型看臺結(jié)構(gòu)為例,驗證了該方法對由連接螺栓松動引起的輕微結(jié)構(gòu)損傷的識別能力。該結(jié)構(gòu)是在卡塔爾大學(xué)結(jié)構(gòu)實驗室建造的,為從業(yè)人員提供了一個通用的試驗臺,以測試他們基于振動的結(jié)構(gòu)損傷檢測方法。鋼框架由8根主梁和25根4柱支撐的填充梁組成。8根梁長4.6 m,懸臂部分的5根填充梁長約1 m,其余20根梁長為77 cm。兩根長柱子的長度約為1.65 m。填充梁與主梁通過鋼連接件和螺栓連接。在主梁與填充梁連接處的30個節(jié)點各安裝一個加速度計,并通過松動連接處螺栓來模擬不同節(jié)點損傷。提出的算法在beam-to-girder節(jié)點(鋼連接)松動造成的非常輕微的破壞情況下進(jìn)行了測試,具體相關(guān)試驗過程及詳細(xì)數(shù)據(jù)可查閱文獻(xiàn)。

本次算例選擇了該試驗在網(wǎng)上公開的數(shù)據(jù)集中的1種健康工況(標(biāo)簽為0)和10種損傷工況(標(biāo)簽為1～10)的加速度時程曲線作為構(gòu)造訓(xùn)練集、驗證集和測試集的原始數(shù)據(jù)。其中每個工況加速度時程曲線的采樣時間為256 s,每條信號的長度為262 144。為了構(gòu)造模型訓(xùn)練所需要的大樣本數(shù)據(jù)集,對單條信號進(jìn)行切片處理,通過一個長度為1 024的窗口,步長為500沿著加速度數(shù)據(jù)滑動,每多生成一個樣本的只需要增加500個數(shù)據(jù)點數(shù)。切片后的單個傳感器的數(shù)據(jù)集大小為500×1 024× 1,健康加上10種損傷模式下總的數(shù)據(jù)集的大小為5 500×1 024×1。將數(shù)據(jù)集按照3∶1∶1的比例隨機分為訓(xùn)練集、驗證集和測試集,得到數(shù)據(jù)集的大小分別為3 300×1 024×1、1 100×1 024×1和1 100×1 024×1。

構(gòu)造完數(shù)據(jù)集后,根據(jù)前述的相關(guān)理論訓(xùn)練用于結(jié)構(gòu)損傷識別的卷積神經(jīng)網(wǎng)絡(luò)模型,具體的網(wǎng)絡(luò)結(jié)構(gòu)詳情見表1。在CNN訓(xùn)練中,選用Adam優(yōu)化器,初始學(xué)習(xí)率為0.000 2,每個批處理大小設(shè)為32,每個故障診斷網(wǎng)絡(luò)訓(xùn)練50批次,網(wǎng)絡(luò)的收斂過程如圖1和圖2所示。從圖1和圖2可知,在訓(xùn)練到50批次的時候,網(wǎng)絡(luò)的識別精度已經(jīng)較高。表2給出了測試集的最終識別結(jié)果。從表2可知,所建立的損傷識別模型的平均準(zhǔn)確率達(dá)到92.36%。

圖1 建模過程Loss值變化情況

圖2 訓(xùn)練過程準(zhǔn)確率變化情況

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)詳情

表2 損傷識別混淆矩陣

3 結(jié) 論

建立了用于結(jié)構(gòu)損傷識別的一維卷積神經(jīng)網(wǎng)絡(luò)模型,對數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)等進(jìn)行了詳細(xì)介紹。采用卡塔爾大學(xué)看臺試驗數(shù)據(jù)集驗證了該模型用于結(jié)構(gòu)損傷識別的可行性及可靠性。識別結(jié)果表明:所建立的模型的損傷識別平均準(zhǔn)確率大于90%,滿足工程結(jié)構(gòu)健康監(jiān)測精度要求。