基于多通道一维卷积神经网络的桥梁结构损伤识别

(整期优先)网络出版时间:2022-07-14
/ 2

基于多通道一维卷积神经网络的桥梁结构损伤识别

邱洪舰

武汉理工大学 土木工程与建筑学院,湖北 武汉,430070

摘要:针对单通道振动信号输入不能全面表达结构损伤特征信息问题,提出基于多通道一维卷积神经网络的结构损伤识别方法,融合多传感器振动信号信息,直接从原始振动信号中自主提取学习结构损伤特征,实现对结构损伤模式的识别。通过简支梁数值模拟对所提方法进行验证,结果表明:所建立的多通道一维卷积神经网络模型(1D-CNN)能够准确地识别结构的损伤位置和损伤程度,且具有一定的抗噪能力。

关键词:多通道一维卷积神经网络;结构损伤识别;简支梁数值模拟

0 引言

基于模式识别的桥梁损伤检测方法由于桥梁结构复杂、损伤模式多以及易受噪声干扰等因素影响,其应用仍具有较大难度[1]。于是,基于深度学习的桥梁损伤识别研究得到广泛关注,特别是卷积神经网络的应用[2]

1 一维卷积神经网络基本原理

CNN是一类具有深度结构的前馈神经网络,包含卷积层、池化层和全连接层

1.1 卷积层

卷积层是通过卷积核对输入数据的局部区域进行卷积运算,来提取数据特征。卷积计算方式如式所示:

(1)

式中:为权值;为被卷积的局部区域;*代表卷积运算;为卷积核宽度;为输出值。

1.2 池化层

池化层的作用是降采样操作,本文采用最大池化层,运算过程如式2所示

(2)

式中:为激活值;W为池化区域的宽度;为输出值。

1.3 全连接层

全连接层作为CNN的最后一部分,是将隐含层提取出的特征进行分类。全连接层运算如式所示:

(3)

式中:为权值;为输出神经元的logits值;为偏置值。

1.4 模型构建

1D-CNN的最优模型是通过验证集准确率、函数损伤值以及模型训练的收敛速度等因素对模型中的超参数进行不断调整确定。本文模型采用交叉熵损失函数作为目标函数,初始学习率设置为0.001,模型中的学习率选择Adam优化器进行动态调整。当损失值收敛且达到最小时或达到训练批次后判别模型完成训练,模型经超参数调优及模型参数更新后计算生成用于特定目标损伤识别的权重模型并完成模型构建。在测试阶段,将需要进行损伤识别的测试集样本输入训练后的最优模型,由该模型输出损伤识别结果。

2 简支梁数值模拟

本文的简支梁模型是基于有限元软件建立,其跨径为10m,均分为10个单元,每个单元长2m。截面采用均质矩形截面,材料采用C40混凝土。简支梁单元划分与传感器布置以及截面如图1所示。

图示, 表格  描述已自动生成

图1 简支梁示意图(黑方框为加速度传感器)

2.1 损伤样本准备

简支梁损伤位置从110号单元,共10个损伤位置。本文通过利用降低对应单元弹性模量的方式来模拟结构的损伤,损伤程度从5%50%,呈梯度变化,间隔5%,共设10种不同损伤程度。上述损伤位置和损伤程度相互组合,共设100种单损伤工况,加上一种无损工况,共计101种。采用在支座处施加高斯白噪声随机激励以模拟实际状态下简支梁受到的环境激励,激励时长为4000s。采样频率为100Hz,取时长为4s的简支梁上10个测点的竖向加速度响应,组成一个10×400的加速度样本矩阵,共101000个样本。随机按7:2:1的比例分为训练集、验证集和测试集。

2.2 卷积神经网络模型建立

多通道一维卷积神经网络模型由两个卷积层、两个池化层、一个全连接层以及一个Softmax层。Dropout层设置失活率为0.4,激活函数选择Relu激活函数,输出层选Softmax激活函数。

2.3 训练过程分析

将各损伤工况所生成的训练集和验证集样本输入到设计好的多通道1D-CNN中进行训练。在每使用一批训练集样本完成参数更新后,通过统计1D-CNN模型对于验证集样本的准确率,来初步验证训练的结果。在200批次的训练过程中,损失值随着训练批次的增加迅速下降后呈现稳定趋势,神经网络模型快速收敛,其损失值趋近于0。准确率随着训练批次的增加逐渐趋近于1,达到稳定,说明了该神经网络已训练到最优。

2.4 测试集结果

一共生成了10100个测试集样本,将这些测试集样本打乱输入到已经训练好的一维卷积神经网络中得到相应的预测结果,将卷积神经网络预测的损伤工况与实际的损伤工况进行对比,得到简支梁有限元模型101个损伤工况识别准确率,测试集的整体准确率为99%。由此可知1D-CNN模型对结构损伤识别具有较好效果。

2.5 抗噪性研究

本文引入噪声功率与信号功率之比为5%、10%、15%和20%的噪声,得到含有噪声的加速度样本,分别重新进行训练,经过200次迭代训练后,得到测试集识别结果依次为98.72%,97.74%,96.88%,95.26%。由此可知多通道1D-CNN模型随着信噪比的变化,模型识别能力下降,但仍维持较高准确率,说明本文提出的多通道1D-CNN模型具有较好的抗噪能力。

3 结论

(1)提出多通道一维卷积神经网络模的桥梁结构损伤识别方法,该方法在桥梁损伤识别上具有较好识别精度和可行性。

(2)通过抗噪性研究,进一步验证了本文提出的模型具有一定的抗噪能力。

参考文献

[1]李惠, 周文松, 欧进萍, 等. 大型桥梁结构智能健康监测系统集成技术研究[J]. 土木工程学报, 2006(02):46-52.

[2]李雪松, 马宏伟, 林逸洲. 基于卷积神经网络的结构损伤识别[J]. 振动与冲击, 2019,38(01):159-167.