王二成,肖俊偉,李家豪,李彥蒼,張子奇,李格格

(1.河北工程大學(xué) 土木工程學(xué)院, 河北 邯鄲 056038;2.河北省裝配式結(jié)構(gòu)技術(shù)創(chuàng)新中心, 河北 邯鄲 056038)

0 引言

桁架因易安裝、質(zhì)量輕、耗材量小等特點(diǎn),廣泛應(yīng)用于橋梁、體育館等基礎(chǔ)設(shè)施。然而,它易受外界環(huán)境的影響,導(dǎo)致性能下降,發(fā)生損傷。為確保桁架結(jié)構(gòu)的安全運(yùn)行,結(jié)構(gòu)健康監(jiān)測(structural health monitoring,SHM)技術(shù)通過分析結(jié)構(gòu)的動力響應(yīng)數(shù)據(jù),為結(jié)構(gòu)提供定期的“體檢”,以避免結(jié)構(gòu)發(fā)生災(zāi)難性損壞。SHM可最大限度地評估結(jié)構(gòu)的健康狀況,延長其使用年限,并為結(jié)構(gòu)的安全可持續(xù)發(fā)展提供技術(shù)支持[1-2]。

傳統(tǒng)的結(jié)構(gòu)檢測方法主要包括目視檢查和無損檢測技術(shù)。無損檢測技術(shù)利用超聲波、X射線、聲發(fā)射等物理信號來探測結(jié)構(gòu)內(nèi)部,發(fā)現(xiàn)潛在的損傷。然而,這些方法存在各種局限,難以實(shí)現(xiàn)全局連續(xù)監(jiān)測[3-4]。為全面評估結(jié)構(gòu)的整體狀況,基于振動響應(yīng)的SHM方法應(yīng)運(yùn)而生。該方法可實(shí)現(xiàn)對結(jié)構(gòu)整體狀況的在線識別和評估[5-6]。SHM及其中的結(jié)構(gòu)損傷識別方法,是實(shí)現(xiàn)工程結(jié)構(gòu)安全監(jiān)測的關(guān)鍵技術(shù)手段。

隨著大數(shù)據(jù)時代人工智能的快速發(fā)展,深度神經(jīng)網(wǎng)絡(luò)及其應(yīng)用在近年來取得了顯著的成果[7-9],其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)直接從振動信號獲取最佳特征,為SHM開拓新方向?；贑NN的SHM方法已在實(shí)際工程中得到廣泛應(yīng)用。Osama等[10]利用原始振動數(shù)據(jù)訓(xùn)練1DCNN,證明其是有效的基于振動的SHM工具。Zhang等[11]利用CNN融合三維鋼橋的加速度和應(yīng)變信號,多種數(shù)據(jù)融合明顯優(yōu)于單一數(shù)據(jù),證明了其實(shí)用性。張健飛等[12]針對懸臂梁裂縫損傷提出基于多頭自注意力的CNN模型。相比傳統(tǒng)的CNN模型,該模型具有更好的識別精度和抗噪性能。楊淵等[13]利用1DCNN自動提取鋼桁架結(jié)構(gòu)加速度時程響應(yīng)特征,進(jìn)行分類和損傷識別。Smriti等[14]提出基于1DCNN的鋼框架損傷位置和損傷程度的損傷檢測方法,能有效地檢測結(jié)構(gòu)連接處的損傷。Teng等[15]將多個傳感器信號輸入到1DCNN中進(jìn)行特征提取來檢測結(jié)構(gòu)損傷,相較于單一傳感器的方法有更好的性能。上述CNN在一定程度上能提取結(jié)構(gòu)動力響應(yīng)中的特征信息,但其固有的卷積和池化操作會丟失一些時序信息,使網(wǎng)絡(luò)難以充分挖掘結(jié)構(gòu)損傷的時空深層次特征。相比之下,多尺度卷積(multiscale convolutional neural networks,MSCNN)通過引入不同感受野的卷積核,能同時學(xué)習(xí)不同時空范圍內(nèi)的局部特征,解決了傳統(tǒng)CNN無法充分提取時空特征的局限性。文獻(xiàn)[16-19]證明了相較于單一尺度CNN,MSCNN具有更好的損傷識別精度和泛化性能。此外,雙向長短期記憶(bidirectionallong short-term memory,BiLSTM)擅長處理時序信息,可在時序上深度挖掘特征之間的關(guān)聯(lián),進(jìn)一步提升網(wǎng)絡(luò)的性能。將MSCNN和BiLSTM兩者相互結(jié)合,實(shí)現(xiàn)了各自優(yōu)勢的互補(bǔ),使網(wǎng)絡(luò)能夠更有效地提取不同類型的損傷特征[20]。

現(xiàn)有結(jié)構(gòu)損傷檢測研究,1DCNN在提取時空特征方面存在局限性,而BiLSTM難以充分學(xué)習(xí)多尺度信息。為彌補(bǔ)它們的不足,提出一種基于M1DCNN-BiLSTM模型,旨在提升結(jié)構(gòu)損傷診斷的精度和可靠性,以適用于鋁合金桁架結(jié)構(gòu)剛度損傷識別任務(wù)。該模型將多尺度空間特征和時序信息進(jìn)行有效融合,可顯著提高損傷檢測的準(zhǔn)確性、魯棒性和泛化能力,為結(jié)構(gòu)設(shè)計和維護(hù)提供有力的支持。

1 模型構(gòu)建及數(shù)據(jù)處理

1.1 M1DCNN與BiLSTM有機(jī)融合

M1DCNN通過引入不同感受野的卷積核,在同一空間中提取多種特征,從而降低網(wǎng)絡(luò)的復(fù)雜度,增強(qiáng)特征的多樣性和表達(dá)能力。為有效地融合不同時空尺度下的特征,將M1DCNN的特征和BiLSTM的序列特征有機(jī)地結(jié)合,能更好地提取和利用不同時空尺度下的信息,以形成更全面準(zhǔn)確的結(jié)構(gòu)健康SHM特征。

1.2 M1DCNN-BiLSTM架構(gòu)

提出一種基于M1DCNN-BiLSTM聯(lián)合模型的特征提取方法,旨在從振動信號中提取更多的時空特征信息,以提高損傷識別性能。首先,采用大卷積核進(jìn)行特征篩選,用于提取信號中的全局特征;用多尺度特征提取層提取信號中更為細(xì)膩的特征,將不同尺度的特征融合,形成對空間特征的多粒度抽象表示;再經(jīng)BiLSTM層進(jìn)行時序信息提取,使網(wǎng)絡(luò)更好地建模時間序列的深層特征。為關(guān)注全局關(guān)鍵特征,還采用全局平均池化來降維和整合信息,最后通過Softmax分類或回歸得出損傷識別位置或損傷程度。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 M1DCNN-BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)

為說明該模型結(jié)合M1DCNN與BiLSTM的優(yōu)勢,將其分別與1DCNN、M1DCNN、M1DCNN-LSTM相比較,參數(shù)如表1所示。

表1 各模型結(jié)構(gòu)參數(shù)

1.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)標(biāo)準(zhǔn)化使每個測點(diǎn)信號具有相同范圍,有利于模型的訓(xùn)練和預(yù)測過程。標(biāo)準(zhǔn)化后,信號的范圍被映射到[-1,1]區(qū)間內(nèi)。然而,在損傷識別任務(wù)中,單純的標(biāo)準(zhǔn)化并不能充分區(qū)分不同桿件損傷樣本之間的差異,為了提升損傷識別性能,提出了一種創(chuàng)新的加速度差值預(yù)處理方法。該方法的核心思想是將各桿件損傷后的加速度響應(yīng)值減去其相應(yīng)無損狀態(tài)下的加速度響應(yīng)值。這種預(yù)處理方式能更加突出損傷后信號中的變化部分,從而更有效地提取損傷狀態(tài)下的特征,可更準(zhǔn)確地反映結(jié)構(gòu)的健康狀態(tài)。其公式如下所示。

acc′=accdamage-accundamaged

(1)

式中:accdamage為有損加速度響應(yīng);accundamaged為無損加速度響應(yīng);acc′為損傷信號與無損信號的差值。這樣處理使得損傷信號中僅包含了與損傷相關(guān)的信息,有助于模型更敏銳地識別出結(jié)構(gòu)的損傷特征。

2 桁架數(shù)值模擬損傷分析與結(jié)果

2.1 鋁合金桁架剛度損傷數(shù)值模擬

為了驗證所提模型在桁架結(jié)構(gòu)中對剛度損傷檢測的有效性,進(jìn)行了鋁合金桁架的數(shù)值模擬實(shí)驗。通過ABAQUS軟件來構(gòu)建鋁合金桁架的有限元模型(FEM),模擬桁架結(jié)構(gòu)的剛度損傷情況(見圖2)。桁架的尺寸為0.5 m×0.5 m×3 m,包括42根0.5 m長的豎桿、橫桿和27根0.707 m長的斜腹桿,其余尺寸和參數(shù)詳見表2。邊界條件為一端固定,一端滑動。為了模擬不同桿件剛度損傷情況,假設(shè)結(jié)構(gòu)損傷程度與彈性模量降低成正比,即將桿件的彈性模量減小到其一半來模擬50%的損傷。

圖2 桁架數(shù)值模擬結(jié)構(gòu)模型

表2 桁架結(jié)構(gòu)尺寸和參數(shù)

為了更貼近實(shí)際實(shí)驗,采用桁架實(shí)驗結(jié)構(gòu)在錘擊時所測得的加速度信號作為數(shù)值模擬中的加載激勵幅值(見圖3),將其作為輸入應(yīng)用到數(shù)值模型的相應(yīng)節(jié)點(diǎn)上,選擇桁架上弦部位中間節(jié)點(diǎn)沿Y方向的負(fù)方向進(jìn)行加速度加載。為模擬桁架結(jié)構(gòu)受到錘擊的動態(tài)響應(yīng),數(shù)值模擬采用動力隱式分析。設(shè)置增量步大小為0.01,激勵采集時間為80 s(與實(shí)際桁架實(shí)驗采樣頻率100 Hz、實(shí)際錘擊激勵時間相對應(yīng))。

圖3 桁架數(shù)值模擬加速度激勵幅值曲線

在桁架數(shù)值模型中,選擇下弦節(jié)點(diǎn)上的10個測量點(diǎn)(標(biāo)記為1～10)的加速度響應(yīng)信號作為各模型樣本的輸入(見圖4)。為模擬不同的損傷工況,對桁架內(nèi)的6根桿件(如圖2中編號為1～6的桿件)進(jìn)行50%的損傷模擬。這些損傷桿件通過不同的組合被分為單損、二損和三損情況,共設(shè)計了17種損傷工況(包括1種無損狀態(tài)和16種有損狀態(tài)),詳見表3。

圖4 經(jīng)差值預(yù)處理的各加速度響應(yīng)曲線

2.2 實(shí)驗參數(shù)設(shè)置

使用樣本大小為1 024,步長為50的滑動窗口進(jìn)行重疊采樣,從每種工況中提取出140個維度為10、長度為1 024的一維序列作為各卷積神經(jīng)網(wǎng)絡(luò)的輸入樣本,共獲得了17×140=2 380個樣本。按8∶1∶1的比例將這些樣本劃分為訓(xùn)練集、驗證集和測試集,以便對模型進(jìn)行評估和驗證。

選擇Matlab R2021b作為開發(fā)環(huán)境,NVIDIA RTX 4060 Ti作為GPU?；诙啻谓?jīng)驗試驗和貝葉斯優(yōu)化算法自動搜索最佳超參數(shù)組合,設(shè)置迭代次數(shù)為10epoch、學(xué)習(xí)率為1×10-3、L2正則化為1×10-4以提高模型的性能。為加速收斂,用Adam優(yōu)化算法,卷積層激活函數(shù)用LeakyReLU。為防止過擬合,Mini-batch大小設(shè)為64。

2.3 損傷位置結(jié)果及分析

為對各模型在數(shù)值模擬中桁架剛度損傷識別方面的訓(xùn)練效果進(jìn)行評估,圖5、圖6展示了各模型在驗證集上的準(zhǔn)確率和損失函數(shù)隨迭代次數(shù)的變化趨勢。隨著迭代次數(shù)的增加,各模型的準(zhǔn)確率逐步提升,同時損失函數(shù)值逐步下降。這表明各模型逐漸學(xué)習(xí)到了更有效的特征表示和分類能力。然而,1DCNN和M1DCNN模型的準(zhǔn)確率和損失函數(shù)值尚未收斂,在識別準(zhǔn)確率方面還需要進(jìn)一步提升。與之相比,M1DCNN-BiLSTM模型在準(zhǔn)確率和損失函數(shù)方面表現(xiàn)出色,展現(xiàn)了出色的收斂速度和穩(wěn)定性。

圖5 各模型準(zhǔn)確率隨迭代次數(shù)變化曲線

圖6 各模型損失函數(shù)值隨迭代次數(shù)變化曲線

由表4可知,除了1DCNN,其余3個經(jīng)加速度差值處理的多尺度卷積模型都能夠?qū)崿F(xiàn)90%以上的準(zhǔn)確率,在損傷識別任務(wù)中表現(xiàn)出色。與這些模型相比,1DCNN的識別性能相對較低。值得注意的是,M1DCNN-BiLSTM在數(shù)值模擬的桁架結(jié)構(gòu)損傷位置識別方面表現(xiàn)最為出色,在訓(xùn)練集、驗證集和測試集上都實(shí)現(xiàn)了100%的準(zhǔn)確率。表明M1DCNN-BiLSTM具有卓越性能,能夠高度準(zhǔn)確地確定數(shù)值模擬桁架結(jié)構(gòu)中各桿件剛度損傷的位置。此外,相較于未差值預(yù)處理的結(jié)果,經(jīng)過試驗驗證,這種加速度差值預(yù)處理方法在損傷識別性能上實(shí)現(xiàn)7%～15%的顯著提升。

表4 桁架數(shù)值模擬剛度損傷時各網(wǎng)絡(luò)識別準(zhǔn)確率及預(yù)處理方法差異性 %

2.4 損傷程度結(jié)果及分析

為詳細(xì)說明所提模型在數(shù)值模擬桁架結(jié)構(gòu)剛度損傷情況下對損傷程度的預(yù)測能力,進(jìn)行了不同模型在單損、雙損和三損情況下的預(yù)測結(jié)果對比,結(jié)果如圖7所示。

圖7中展示了不同模型在不同桿件損傷程度為50%時的預(yù)測結(jié)果。在單損、雙損和三損情況下,發(fā)現(xiàn)M1DCNN-BiLSTM的預(yù)測結(jié)果在各個桿件上的損傷程度都保持在50%的微小浮動范圍內(nèi)。與之相比,其他模型的預(yù)測結(jié)果在50%上下浮動較大。特別的是M1DCNN-BiLSTM,表現(xiàn)出高精度的損傷程度預(yù)測,與實(shí)際損傷程度高度吻合。相反地,1DCNN的損傷程度預(yù)測結(jié)果與實(shí)際損傷程度相差較大,未能準(zhǔn)確預(yù)測各個桿件的損傷程度。表明1DCNN在損傷程度預(yù)測方面存在一定的局限性。

圖7 不同模型在單損、雙損和三損情況下的預(yù)測結(jié)果

3 桁架結(jié)構(gòu)剛度損傷實(shí)驗結(jié)果與分析

3.1 鋁合金桁架結(jié)構(gòu)剛度損傷位置和損傷程度振動測試實(shí)驗

為進(jìn)一步驗證所提模型在實(shí)際鋁合金桁架結(jié)構(gòu)重度損傷識別任務(wù)上的泛化能力的適用性,進(jìn)行了100%剛度損傷振動實(shí)驗(見圖8、圖9)。首先,通過移除鋁合金桁架中部不同位置斜腹桿,引入100%剛度損傷,以模擬桿件不同位置和程度的剛度損傷。其次,采用錘擊法對桁架結(jié)構(gòu)上弦桿進(jìn)行不同節(jié)點(diǎn)的激勵,并使用加速度傳感器采集結(jié)構(gòu)有損傷和無損傷狀態(tài)下的時域響應(yīng)數(shù)據(jù)。然后,將采集的數(shù)據(jù)輸入到各損傷判斷模型中,以判定是否存在損傷并準(zhǔn)確地定位移除斜腹桿的位置和預(yù)測斜腹桿的損傷程度。最后,將模型判斷結(jié)果與實(shí)際的損傷情況進(jìn)行對比,評估各模型的判別性能。

圖8 鋁合金桁架結(jié)構(gòu)立面圖

圖9 鋁合金桁架結(jié)構(gòu)及傳感器布置圖

采用上面數(shù)值模擬剛度損傷時的實(shí)驗參數(shù)設(shè)置,共得到5 600個樣本,覆蓋了8(1無損+7有損)種不同損傷工況。具體損傷工況可參見表5。

表5 桁架剛度損傷位置和程度振動試驗的損傷工況

3.2 損傷程度評價指標(biāo)

常用回歸模型評價指標(biāo)包括均方根誤差(RMSE)、均方誤差(MSE)和平均絕對誤差(MAE)。這些指標(biāo)值越小,表示模型預(yù)測結(jié)果與真實(shí)值偏差越小,模型的預(yù)測性能越好。

(2)

(3)

(4)

3.3 桁架振動實(shí)驗損傷位置和損傷程度分析結(jié)果

由表6可知,M1DCNN-BiLSTM模型在損傷位置診斷方面表現(xiàn)優(yōu)異。在所有的數(shù)據(jù)集中,該模型均實(shí)現(xiàn)了100%的準(zhǔn)確率。與其他3種模型相比,M1DCNN-BiLSTM在測試集上的準(zhǔn)確率分別提升了22.68%、15.89%和0.54%。表明該模型具有出色的識別準(zhǔn)確度,可被視作一種可信賴的損傷診斷方法,能精確定位斜腹桿損傷位置。

表6 各網(wǎng)絡(luò)桁架損傷位置識別準(zhǔn)確率 %

為評估這4種模型在桁架斜腹桿剛度損傷程度預(yù)測方面的訓(xùn)練效果,圖10、圖11展示了各模型在驗證集上的RMSE和損失函數(shù)隨迭代次數(shù)的變化情況。1DCNN和M1DCNN模型的RMSE均超過0.2,表明它們的預(yù)測結(jié)果與實(shí)際損傷程度相差較大,未能很好地預(yù)測鋁合金桁架斜腹桿剛度損傷的嚴(yán)重程度。相比之下,M1DCNN-BiLSTM在RMSE和損失函數(shù)值方面均表現(xiàn)出色,其RMSE僅為0.028,損失函數(shù)值為4×10-4,從而驗證了其在魯棒性和預(yù)測精度方面的優(yōu)越性。

圖10 各模型RMSE隨迭代次數(shù)的變化曲線

圖11 各模型損失函數(shù)值隨迭代次數(shù)的變化曲線

3.4 桁架損傷位置結(jié)果可視化分析

由圖12可知,M1DCNN-BiLSTM模型在所有工況下都能夠得到精確的識別。相比之下,1DCNN模型僅在工況0、2、5中的所有樣本被正確識別,而其他工況的識別效果相對較差,特別是在工況1和4,僅有40%的識別準(zhǔn)確率。M1DCNN-BiLSTM相對于其他3類模型在鋁合金桁架結(jié)構(gòu)健康監(jiān)測中展現(xiàn)出最佳的分類效果和最高的識別精度,其優(yōu)勢在于M1DCNN的多尺度結(jié)構(gòu),以及BiLSTM對序列數(shù)據(jù)的建模能力。兩者結(jié)合使M1DCNN-BiLSTM能夠更好地捕捉時空特征,從而在損傷分類任務(wù)中獲得更高的準(zhǔn)確性。

t分布隨機(jī)鄰域嵌入(t-SNE)將數(shù)據(jù)點(diǎn)的高維特征映射到二維特征空間中,并用不同顏色表示不同的損傷工況,可直觀地觀察到不同工況下數(shù)據(jù)的特征具有明顯的分離和聚類傾向。分類層輸出的特征被視為模型提取的最終特征,因此對其分類層進(jìn)行t-SNE可視化。

圖12 測試混淆矩陣

由圖13可知,1DCNN通過2個卷積層的特征提取可有效地分離和聚合大部分輸入數(shù)據(jù)的特征。然而,單一尺度的卷積仍無法完全有效地分離和聚合所有工況的特征,有些工況還存在相互混疊。M1DCNN-BiLSTM能更好地分離和聚合所有工況的特征,展現(xiàn)出最佳的分類效果。相比之下,1DCNN的分類效果較差,一些工況被混淆在一起,無法有效地分離。

3.5 各評價指標(biāo)損傷程度預(yù)測結(jié)果

從表7可知,多尺度卷積在各項評價誤差指標(biāo)上都優(yōu)于1DCNN,且M1DCNN-BiLSTM在所有評價誤差指標(biāo)中均為最低,其預(yù)測結(jié)果與實(shí)際損傷程度極為接近。與1DCNN相比,M1DCNN-BiLSTM 預(yù)測效果在整體上得到顯著的改善,其精度和準(zhǔn)確性均有明顯提升,在預(yù)測誤差方面呈現(xiàn)出顯著的優(yōu)勢,RMSE、MSE和MAE評價指標(biāo)分別比1DCNN降低了84.5%、97%和84.3%,預(yù)測結(jié)果與實(shí)際損傷程度高度吻合。

圖13 測試分類層可視化

表7 各網(wǎng)絡(luò)損傷程度預(yù)測誤差指標(biāo)

4 結(jié)論

1) 將M1DCNN和BiLSTM有效地融合,可彌補(bǔ)1DCNN在學(xué)習(xí)時空特征方面的不足,能更充分地提取結(jié)構(gòu)損傷信號的時空多尺度特征,在鋁合金桁架結(jié)構(gòu)剛度損傷識別中表現(xiàn)出卓越的識別性能、魯棒性和泛化能力。

2) M1DCNN-BiLSTM在損傷位置和程度預(yù)測方面表現(xiàn)出色,接近100%準(zhǔn)確率。與傳統(tǒng)1DCNN方法相比,該模型能有效識別鋁合金桁架結(jié)構(gòu)不同位置的損傷,并對損傷嚴(yán)重程度進(jìn)行定量評估。在桁架數(shù)值模擬與實(shí)際振動實(shí)驗中得到了驗證,證明其在損傷位置和程度預(yù)測方面的顯著效果。

3) M1DCNN-BiLSTM模型在損傷程度預(yù)測方面具有更優(yōu)的性能,尤其是相比于1DCNN,在振動測試實(shí)驗中,RMSE、MSE、MAE分別降低了84.5%、97%、84.3%,與實(shí)際損傷程度極為接近,表明該模型具有較好的預(yù)測精度,在鋁合金桁架損傷程度預(yù)測方面具有很強(qiáng)的泛化能力和魯棒性,為結(jié)構(gòu)健康監(jiān)測和安全評估提供了有效手段,使檢測結(jié)果更具參考價值。