基于LSTM神经网络和残余力向量法的结构损伤识别.pdf

年 月第卷 第 期沈 阳 建 筑 大 学 学 报(自 然 科 学 版)().收稿日期:基金项目:“十三五”国家重点研发计划重点项目()作者简介:宋福春()男副教授博士主要从事桥梁组合结构等方面研究文章编号:():./.:.基于 神经网络和残余力向量法的结构损伤识别宋福春杨子豪付聿旻崔福和白祥鸽(沈阳建筑大学交通与测绘工程学院辽宁 沈阳)摘要 目的 为减少传统残余力向量法的工作量提高计算效率提出一种采用 神经网络与残余力向量法相结合方法 方法 以结构损伤后的残余力作为 神经网络的损伤识别指标建立输入与输出之间模型同时运用分步损伤识别法对可能存在损伤的结构进行判断并通过简支梁模型进行验证 结果 神经网络对简支梁损伤情况判断较为准确在样本数为 组的情况下其分类准确率为 训练结果的均方根误差值为 预测结果的最大误差为 噪声水平在 及以下时最大误差为 噪声水平在 及以下时仍可对单损伤做出较为准确的判断最大误差为 抗噪性较好 结论 所设计的基于残余力 神经网络对结构损伤定位与程度识别效果较好具有一定可行性关键词 结构损伤识别 神经网络残余力向量法损伤评估中图分类号 文献标志码 ():.第 期宋福春等:基于 神经网络和残余力向量法的结构损伤识别 .:建筑物或构筑物在服役期间外部荷载长期作用会使其结构造成不同程度的损伤为保证结构安全需要及时确定损伤的位置和损伤的程度以便合理精准评估结构的可靠性 近年来学者们对损伤引起的结构动力特性参数及其衍生量变化做了许多研究 基于结构振动学理论当结构出现损伤时会引起刚度、质量和阻尼等结构物理参数的改变因频率、振型等结构模态参数是结构物理参数的函数故损伤也一定会引起结构模态参数的变化因此多数研究方法采用模态参数作为损伤指标 等提出了残余力向量法的概念 等提出并改进一种新方法称为最小秩修正方法()神经网络是一种复杂的多层结构由众多神经元相互连接而成具备强大的信息处理和计算能力 常见的神经网络包括 神经网络、神经网络和 神经网络等结构损伤识别可以视为一种模式识别问题主要分为三个步骤:数据采集、特征提取和特征分类 通过统计或信号处理技术将数据拟合到测量的结构响应数据中并选择出损伤敏感的特征值然后利用选定的特征值对神经网络进行训练使其能够判断损伤的存在、位置和严重程度 基于神经网络处理复杂信息的能力该方法在土木工程等相关领域得到广泛应用 徐长哲等将信息融合技术与 神经网络相结合训练后的神经网络对损伤识别的准确率高于 李雪松等用加速度数据对卷积神经网络进行训练同时考虑了噪声以及不同荷载作用下的影响结果表明该方法能在相对较小的荷 载 激 励 下 对 损 伤 进 行 有 效 的 识 别 等将遗传算法与残余力向量法结合以残余力作为指标确定出损伤所在位置再用遗传算法计算单元的损伤程度 等引入残余应变能的概念结合灵敏度分析的模型更新方法准确地识别出了损伤的位置和程度 刘济科、杨秋伟针对模型缩聚带来的误差对残余力向量法的计算进行了优化 韦灼彬等提出虚拟残余力向量的概念降低了计算误差和噪声的影响 张增军等以残余力作为目标函数用遗传算法对损伤系数进行迭代优化最后通过结果来确定损伤位置与损伤程度在此基础上笔者提出一种以残余力作为 神 经 网 络()输入的结构损伤识别方法残余力可通过结构损伤前的质量矩阵和刚度矩阵以及少量低阶模态参数信息求得以结构损伤后的残余力作为损伤识别指标发挥 神经网络处理序列数据的能力针对输入与输出之间复杂关系建立模型从而对损伤情况进行判断最后通过一个简支梁模型对其进行验证结果证明损伤定位与程度识别效果较好 基本理论 残余力向量法依据动力学理论忽略阻尼的多自由度结构运动方程为 .()式中:为无损状态下的结构质量矩阵为无损状态下结构的刚度矩阵 为加速度 为位移 沈 阳 建 筑 大 学 学 报(自 然 科 学 版)第 卷相对应的特征值方程为 .()式中:为无损状态的结构特征值为无损状态的结构特征向量若结构损伤对于第 阶特征值 和振型 应满足方程:()().()式中:为刚度变化矩阵 为质量变化矩阵为损伤状态的结构第 阶特征值为损伤状态的结构第 阶特征向量假设损伤前后质量不变整理可得残余力向量:().()神经网络 神 经 网 络 是 循 环 神 经 网 络()中一个特殊的类型 由 和 提出之后很多学者对其改进 在循环神经网络中神经元能接受其他神经元和自身的信息形成具有环路的网络结构 可以通过反向传播算法按照时间的逆序将误差依次向前传递 但是当输入序列数据较长时会存在梯度爆炸和消失问题称为长程依赖问题 因此研究人员对 进行了改进门控机制便是最为有效的一种措施神经网络就是在这个基础上诞生的 具有简单的记忆功能其隐状态存储了每一次运行时的历史信息 同样依靠内部记忆单元 用来捕捉和储存特定的信息从而完成一次循环信息传递因为记忆单元中保存信息的生命周期要长于短期记忆但又远远短于长期记忆因此称为长短期记忆 网络在 的基础上引入门控机制()从而提高了简单循环神经元的记忆能力将“门”引入到单元中通过三个“门”用以保护和控制单元状态这三个“门”分别为遗忘门 使记忆单元进行对前一时刻的信息进行“遗忘”:().()输入门 对正在运行的记忆单元进行信息更新和储存:().()输出门 控制当前时刻记忆单元并将信息输出到:().().()().()式中所有 层的激活函数为 函数输出范围为()当输出值为 时记忆单元将对历史信息全部进行清理当输出值为 时记忆单元将对历史信息进行完整保留 激活函数的输出范围为()和 为权重和偏置随网络运行不断进行更新直至训练目标实现后终止图 为 神经网络的循环单元结构简图 循环单元读取上一个神经元细胞输出的外部状态向量 和当前神经元的输入向量 遗忘门将读取的信息进行处理该层将对无关信息进行遗忘 读取的信息同时也会进入输入门中这时会创建一个备选状态这一层决定哪些信息应该加入到新的细胞状态中去 上述过程计算结束后用遗忘门和输入门的计算结果对当前的记忆单元进行更新最后通过输出门输出当前细胞状态的隐向量 图 神经网络循环单元结构 分步损伤识别法损伤通常发生在结构的局部区域其余第 期宋福春等:基于 神经网络和残余力向量法的结构损伤识别 未损伤区域的刚度和质量几乎不会发生变化采用子结构分析的方法将整体结构拆分成独立的子结构将复杂的整体结构问题转化为多个相对简单的子问题从而更容易进行计算分析由于子结构的尺寸小于整体结构将耗时较多的计算和分析限制在局部子结构内这有助于避免对整体结构进行运算减少模型分析时间保证损伤识别高精度的同时提高损伤识别的效率 故采取分步损伤识别法判断结构的损伤情况具体步骤如下第一步为了定位损伤所在的区域将结构划分成多个子结构在建立 神经网络模型后将结构损伤后的残余力作为神经网络的输入输出即为不同的分类标签 其中向量中每一元素对应一个子结构当元素值为 时即表示该子结构内可能存在损伤单元当元素值为 时表示该子结构内无损伤单元即()表示第一个子结构内存在损伤其分类标签记为 第二步在确定损伤所在子结构后进一步确定损伤单元的具体信息 由于受损单元已经确定避免了从整个结构中搜索的操作从而可以在一定程度上减轻神经网络的训练负担这一步仍以结构损伤后的残余力作为输入输出的数据即为单元的实际损伤程度最后将全部子结构组合成一个完整结构从而得出整体结构的识别结果 损伤识别验证 简支梁数值模拟图 为模拟的简支梁结构示意图 梁长 梁横截面积为 弹性模量为 体积密度为 /将整梁划分为 个单元预设损伤单元在 单元采用刚度折减的方式来模拟损伤情况定义刚度减小量、分别对应单处损伤、两处损伤、三处损伤时的损伤程度共 组数据 子结构划分如下:单元 到 为子结构 单元 到 为子结构 单元 到 为子结构 单元 到 为子结构 单元 到 为子结构 图 简支梁模型示意图 为了避免模型的记忆功能影响训练效果将通过模态分析计算得到的 组训练样本进行乱序处理 随机选取损伤位置(单元)并在这个单元上随机赋予损伤程度每种损伤程度各设 组共 组损伤工况用来测试训练好的神经网络的识别能力(见表)简支梁损伤位置确定在训练完损伤定位网络后测试网络的性能 首先将以上待识别工况的模态信息转换成残余力输入到网络中以分类标签为输出通过标签来确定具体的损伤子结构 其中 单处损伤的分类标签为 两处损伤分表 简支梁损伤测试工况 损伤工况损伤位置(单元)损伤程度(刚度减小)类标签为 三处损伤分类标签为 共有 个分类标签 图 为简支梁损伤 沈 阳 建 筑 大 学 学 报(自 然 科 学 版)第 卷定位结果 从图 中看出除第 组工况外其余 组工况的神经网络实际输出与期望输出一致第 组工况所识别的结果为第、子结构实际的损伤为第、子结构除了第三处损伤位置判断错误外前两处都与实际损伤位置一致图 简支梁损伤定位结果 图 为损伤定位网络训练进度变化结果 从图 中可以看出所设计网络的预测分类准确度为 基本可以正确识别出损伤所在的子结构可以判断该网络对定位结损伤所在的子结构是有效的图 损伤定位网络训练进度图 简支梁损伤程度预测仍以结构损伤后的残余力作为网络的输入与损伤定位不同损伤程度中的残余力是损伤定位识别出的子结构的残余力输出结果为结构的具体损伤程度将每组损伤工况组合成一个完整结构 图 为简支梁损伤程度预测结果图 简支梁损伤程度预测结果 第 期宋福春等:基于 神经网络和残余力向量法的结构损伤识别 图 中以百分比的形式表示损伤程度可以看出预测结果较为准确 经计算最大误差为 第 组工况的预测结果在数值上与实际情况较为接近但预测的第三处损伤位置位于 单元实际损伤位置位于 单元 除了对第 组工况的损伤位置进行了误判之外其余损伤工况预测结果与实际情况十分接近 图 为损伤程度预测网络训练结果 从图 可以看出最终的均方根误差()值为 神经网络对损伤程度的判断结果与真实值较为接近确定该网络可以准确识别损伤程度图 损伤程度预测网络训练进度图 噪声影响在实际测量过程中会有外界因素的干扰在真实环境中噪声很复杂来源不同且复合叠加具有随机性以及正态分布的特性所以在数值模拟中将外界因素的影响视为正态分布的高斯白噪声 在实际测量中发现外界因素的噪声水平一般在 故噪声水平分别取 对所测数据添加一定水平的高斯白噪声来模拟噪声的影响将处理后的模拟数据作为神经网络输入参数同时考虑不同噪声水平对结果的影响得到:().()式中:为损伤后的第 阶振型为添加白噪声后的第 阶振型为第 阶振型噪声元素 为噪声水平的大小分别取 图 为噪声影响下损伤定位结果图 噪声影响下损伤定位结果 从图 中可以看出在噪声水平为 和 时定位结果并未受到明显影响都对工况 的损伤情况进行了错误地判断 这说明在较低水平噪声的影响下神经网络的定位仍保持准确当噪声水平为 时多损伤情况下的工况、工况 和工况 都被错误地定位在噪声水平达到 时多损伤情况下的工况、工况、工况 和工况 均被误判 这表明随着噪声水平的上升特别是在存在多个损伤情况下损伤定位的准确性开始下降随着噪声水平的增强和损伤位置的增多损伤定位的效果进一步降低 尽管在高噪声环境下和多损伤情况下损伤定位的效果有所降低但对于单一损伤的情况仍然能够准确判断 这表明神经网络在单处损伤识别方面具有一定的抗噪性能图 为不同程度噪声影响下的各测试工况识别结果与实际情况的对比图 从图 的分析中可以得出以下结果:在噪声水平为和 的情况下神经网络仍然能够准确判断损伤的程度 经过计算最大误差仅 沈 阳 建 筑 大 学 学 报(自 然 科 学 版)第 卷为 在一定程度的噪声下神经网络的识别能力仍然可靠 当噪声水平增加到时尽管神经网络能够正确定位损伤所在的子结构但是在具体损伤位置和程度方面存在一定的差距 通过计算可以得出最大误差为 这表明随着噪声的增加神经网络的精确性受到了一定程度的影响当噪声水平达到 时神经网络对损伤所在的子结构判断变得不再准确不仅在损伤位置方面存在更多误判而且对损伤程度的识别误差也进一步扩大在识别位置与实际损伤位置一致的前提下 最大误差高达 这清楚地表明了随着噪声水平的加大神经网络的识别能力逐渐下降综合分析可得当噪声水平在 及以下时所设计的神经网络仍然能够对单处损伤状况做出相对准确的判 断最 大 误 差 为 然而当结构出现多个损伤位置时噪声的干扰影响变得更加显著导致无法准确地判断出损伤位置和损伤程度 这进一步表明了噪声对于多损伤情况下损伤识别的不利影响 这需要在实际应用中加以考虑要进一步的对神经网络进行优化以提高其鲁棒性图 噪声影响下损伤程度预测结果 结 论()将结构受损后的残余力作为损伤识别指标具有一定的敏感性结合 神经网络可对结构的损伤位置以及损伤程度进行精准识别()在样本数为 组的情况下选取 种工况并对其添加噪声进行测试损伤子结构的预测分类准确率达 均方根误差为 最大预测误差仅为 在噪声水平第 期宋福春等:基于 神经网络和残余力向量法的结构损伤识别 低于 时适用性强能准确判断损伤位置和程度最大误差 具备一定鲁棒性和抗噪性针对误判单元可采取增加训练样本方法以减少误判率()将该方法应用到结构损伤识别领域效果较好可推广到类似研究领域具有一定的工程应用潜力可以降低人力成本和维修成本参考文献 李惠鲍跃全李顺龙等.结构健康监测数据科学与工程.工程力学():.(.():.)朱宏平余璟张俊兵.结构损伤动力检测与健康监测研究现状与展望.工程力学():.(.():.)赵一男公茂盛杨游.结构损伤识别方法研究综述.世界地震工程():.(.():.)单德山、罗凌峰、李乔.桥梁健康监测 年度研究进展.土木与环境工程学报(中英文)(增刊):.(.():.).():.():.杜德润仇德伦李爱群等.神经网络技术在土木结构健康监测中的应用.无损检测():.(.():.)徐长哲余庆林杨青松.基于 神经网络的结构损伤识别技术.应用科技():.(.():.)李雪松马宏伟林逸洲.基于卷积神经网络的结构损伤识别.振动与冲击():.(.():.).():.():.刘济科杨秋伟.基于残余力向量的结构损伤识别两步法.中山大学学报(自然科学版)():.(.():.)杨秋伟刘济科.损伤识别一种改进的残余力向量法.固体力学学报():.(.():.)韦灼彬吴森.基于残余力向量法的结构损伤位置识别.中外公路().(.().)张增军张猛张子富.利用残余力概念进行结构损伤识别.中国铁道科学():.(.():.).():.():.():.(责任编辑:王国业 英文审校:范丽婷)