基于一维密集卷积网络的悬臂梁断裂损伤识别.pdf

Jun.20232023年6 月JOURNALOFDONGGUANUNIVERSITYOFTECHNOLOGYVol.30No.3第30 卷第3期院学报东莞理基于一维密集卷积网络的悬臂梁断裂损伤识别沙春（重庆交通大学土木工程学院，重庆400074)摘要：基于振动的损伤识别是结构健康检测的重要任务，提出了一种基于加速度时程响应的悬臂梁断裂损伤识别方法。使用有限元分析模拟悬臂梁作为研究对象，通过分离裂缝模型施加裂缝模拟损伤状态，施加瞬态荷载获得损伤状态对应的加速度时程响应数据，利用偏移采样处理后的数据建立一维密集卷积网络回归模型，并与标准一维卷积神经网络模型和残差网络对比，最后在原始数据中添加白噪声模拟真实环境检验模型的实际应用效果。结果表明建立模型的识别精度以及效率均远远好于其他神经网络，并且在2 0 分贝的噪声环境下效果也比较显著。证明了使用一维密集卷积网络对梁裂缝问题进行损伤识别的优越性和可行性。关键词：损伤识别；加速度时程响应；悬臂梁；裂缝；一维密集卷积网络中图分类号：TP183；T U 31 7文献标志码：A文章编号：1 0 0 9-0 31 2（2 0 2 3）0 3-0 1 0 1-0 7结构健康检测（Structural HealthMonitoring，SHM）是评估桥梁、建筑等工程结构状态的过程，其目的之一是识别结构中损伤的存在、位置和损伤程度。工程中的梁结构在复杂环境的影响下，会形成各种形式的损伤，而裂缝是其最为普遍的损伤形式，具有严重的安全隐患，选用合适的方法对其进行损伤识别非常重要。本文研究悬臂梁结构基于加速度时程响应这一振动响应的断裂损伤识别，具有一定的现实意义。许多基于振动响应的识别方法已经被广泛应用于各种结构损伤，从结构振动响应中提取出的振动特征可以对损伤情况进行有效的识别，这些振动特征包括模态信息（如固有频率和振型）、时域响应（如加速度时程响应）等。大量的研究2-3 是是利用模态信息来识别结构损伤，但是通常需要大量的传感器覆盖结构才能获得完整的模态信息，但是这在复杂的现实环境中是很难现实的。近些年来，加速度时程响应被广泛应用于损伤识别，时域数据的研究难点在于很难建立其与损伤情况的联系，因此需要一些方法来定义这种联系。在人工智能领域中，深度学习是近年来比较热门的方向，其中卷积神经网络（ConvolutionalNeuralNetwork，C NN）被广泛应用于图像识别和自然语言处理，而CNN的一维形式1 DCNN被广泛应用于数据处理，1 DCNN针对高维度的数据样本具有优秀的特征自动提取能力，因此很多学者使用1 DCNN建立时域特征与损伤情况之间的联系。杨渊等4 过通过建立1 DCNN模型提取了加速度时程响应特征进行钢桁架损伤识别，成功解决了判断钢绗架是否损伤的二分类问题，但是没有对损伤位置和损伤情况做出判断。AbDe LjaberO等5】建立1 DCNN模型对框架结构进行了损伤定位，能够精确定位框架交界处的损伤，但是不能定位非交界处的损伤，也不能判断损伤程度。ZhangY等6 】建立了非常简单的1 DCNN模型对三种梁进行刚度变化识别，精度非常高，但是模型只能识别训练类别的样本，泛化能力弱。从上述学者的研究中可以看出1 DCNN用于损伤识别的可行性，但是多用于简单的分类问题，对于这些的简单特征映射只需要建立浅层网络就能解决问题，但是面对复杂的问题时就需要建立深层的网络，深层网络会出现效率降低、梯度消失或爆炸等问题。为了解决上述问题，Hek7等提出了残差网络（ResidualNetwork，Re s Ne t s），通过建立残差层实现跳跃连接，实现了深层网络的建立，在图像处理领域取得了显著成就，在ILSVRC2015分类任务中获得了第一名，但是建立深层网络时，其训练效率并不高。Wang）等使用残差网络对框架梁结构进行损伤识别取得了非常好的效果，并将结果与1 DCNN进行对比，结果表明其效果远远优于1 DCNN。受到ResNets收稿日期：2 0 2 2-0 4-1 8作者简介：沙春（1 9 9 6 一），男，山东烟台人，硕士，主要从事机器学习结合基础力学的研究，Email：1 46 2 350 2 1 8 q q.c o m。2023年102东莞理工学院学报框架的启发，HuangG等9 开发了一种新的卷积神经网络结构，叫做密集卷积网络（DenselyCon-nected Convolutional Networks，D e n s e Ne t s），这种结构提出了一种全新的特征提取方法，使每一层都接收前某所有层的特征，提高了正向的信息流通以及反向的梯度传播，与ResNets相比，DenseNets使用输人要素的串联，而不是它们的总和，不需要重新学习穴余的特征，计算效率更高。WangR等1 0 提出了使用密集卷积网络模型识别简支梁的局部刚度降低，设置4个加速度传感器获取数据，能够识别出刚度减少的单元和刚度的减少量，并且在环境荷载下效果也相对不错。本文建立了一种1 DDenseNet模型用于识别悬臂梁的断裂损伤，输入为各种结构损伤状态对应的加速度时程响应，输出为裂缝的位置和深度，共41 3种结构损伤状态，仅使用单个传感器获取加速度数据，利用偏移采样方法对数据进行增强，将1 DDenseNet模型的结果与标准1 DCNN模型和1DResNet模型的结果对比，最后考虑数据加人白噪声的情况检验实际应用能力。1一维密集卷积网络1.1网络介绍针对标准CNN无法建立深层网络和ResNets训练速度慢的问题的问题，使用一种新的深度学习方法DenseNets，该方法和ResNets 都是对标准CNN的改进方法，在保留了其他网络结构和超参数的前提下，改善了特征提取层的结构。DenseNets为了提升特征提取层各层之间的信息流通，将每一层的特征图均与前面层进行连接，使每个层都接收前某所有层的特征作为额外输人。本文建立了DenseNets的一维形式，其特征提取层的网络结构主要由DenseBlock和Transition组成，如图1 所示，1.2 中会着重介绍这两个结构。图1 中C表示通道(channel)数，W表示特(C*W)DenseBlockTransition图1网络结构征向量长度。1.2结构组成1.2.1DenseBlockDenseBlock中为了保证特征向量能够在chan-nel维度上连接，必须使每一层的特征向量长度W相同，另外各个层卷积的卷积核数目均为k，k 称为增长率，这是一个可以调整的超参数，但是一般问题使用比较小的就可以得到比较好的性能。DenseBlock中的非线性转换过程为：批标准化（BN），线性校正（ReLU），卷积（Conv）。按照以上理论随着层数目的增多特征向量的数量会非常多，因此DenseBlock会在ReLU和Conv之间增加一层卷积核大小为1 的卷积层，叫做blottleneck层，该层上的卷积核数量为4k，极大的减少了计算量。1.2.22TransitionTransition的作用是连接两个DenseBlock层，并且能够降低特征向量的大小，它包括一层卷积核大小为1 的卷积层和一个平均值池化层，chan-nel数为C的特征向量经过Transiton中的卷积层后变为，其中称为压缩系数，本文中设置0.5。1.3网络结构本文的网络结构如表1 所示，表1 中5Convld表示大小为5的一维卷积核，stride表示移动步长，padding表示特征向量两边的补0 数（为了保证DenseBlock中每次特征向量长度一致），2 MaxPoolld表示大小为2 的最大值池化，5AvePoolld表示大小为5的平均值池化，Linear表示全连接，tanh表示双曲正切激活函数。表1模型结构输出网络结构结构设置(C*W)Convolution45Convld,stride=25,padding=1024*200Pooling2MaxPoolld,stride=224*1001ConvldDenseBlock(1)*696*100(5Conuld,padding=2)1 C o n v l d48*100Transition(1)5AvePoolld48*201ConvldDenseBlock(2)*6120*20(5Conuld,padding=2)J1Conuld60*20Transition(2)5AvePoolld60*41ConvldDenseBlock(3)*6132*4(3Convld,padding=)4AvePoolld132*1Prediction64Linear,tanh642Linear2103沙春：基于一维密集卷积网络的悬臂梁断裂损伤识别第3期1.4网络特点1）由于密集连接的方式将各层生成的特征图连接起来，促进了正向计算的信息流通以及反向计算的梯度传播。2）参数数量非常少，计算高效，在密集层实现之前特征的反复利用不增加额外参数，并且只要k设置的够小，每个层独有的特征图是比较小的，降低了过拟合风险并且可以建立更深的网络。3）与标准CNN和ResNets不同，DenseNets的参数主要集中在特征提取层，因此防止过拟合的Droupout要设置在特征提取层，而标准CNN和ResNets是设置在全连接层2数据库及模型建立2.1数据库建立本文的数据均来自ANSYS仿真。建立悬臂梁模型如图2，结构尺寸为6 m*0.4m，弹性模量为3e4MPa，泊松比为0.2，密度为2 551 KG/m，刚度阻尼为0.0 2，单元类型为Plane182，网格划分横向分为8 份、纵向分为6 0 份。裂缝的添加采用分离裂缝模型，通过重复节点在单元的边界上模拟裂缝，下面会用（m，n）表示距离梁左侧固定端米的一条深度为n米的竖向裂缝。Force/Nt1100.22.2t/s图2悬臂梁模型在悬臂梁右上端施加竖直向下、大小为1 0 0N的瞬态荷载如图2 所示，仅在荷载作用处设置1个加速度传感器来获取方向的加速度时程响应数据，采样频率使用50 0 0 Hz，取样时间设为2S对于损伤情况，只考虑单条竖向裂缝，模型的每个内部节点均可以生成裂缝，共可以生成413种结构损伤状态，每种状态对应一组加速度时程响应，为了使数据的特征更强，尝试删掉频率变化非常快的前2 0%数据，训练后对比发现精度提高了5%，对剩余的8 0 0 0 个数据采用偏移采样方法，让更多的加速度时程响应对应一种损伤状态，取前50 0 0 个数据作为一个样本，向后偏移1 50 个再取50 0 0 个数据作为一个样本，共可以提取出2 1 段长50 0 0 的时程响应片段，生成模型训练的数据库，数据库的输人值为加速度时程响应片段，输出值为（m，n）。随机取1 3种裂缝不相邻的损伤状态，其对应的2 7 3组样本作为测试集不参与网络训练检验网络的泛化能力。剩余的8 40 0 组样本按照7：3划分为训练集和检验集，训练集用于训练网络，检验集作为调节超参数的度量。2.2模型建立及超参数设置分别将数据库中的训练集、检验集、测试集转化为神经网络要求的数据格式，其中输人值转变成维度为N，C，W 的32 位浮点型张量（N：样本数，C：通道数，W：特征向量长度），输出值转化成维度为N，2 的32 位浮点型张量，并对输入值和输出值进行标准化处理（均值0、方差1），针对该问题建立的神经网络共40层、增长率为1 2，模型结构见表1。由于该问题是回归预测问题，因此模型的损失函数选择均方误差MAE，训练中使用Adam优化器执行1 0 0 个epoch，批尺寸设置为6 4，学习率设置为0.0 1，每执行1 0 个epoch就让学习率衰减0.5。为了减少过拟合，在每个密集层中设置Droupout=0.2，损失函数添加L2正则化项，惩罚参数入设置为0.0 0 0 5。还需要选取一些方法来检验模型的准确性和泛化能力。首先，选择均方误差MSE和平均绝对值误差MAE两种误差计算方法作为度量准则，具体分别为训练集中的总均方误差MSE1和检验集中的总均方误差MSE2，测试集中裂缝位置m的平均绝对值误差MAE1和裂缝深度n的平均绝对值误差MAE2（此处取测试集中各个损伤状态识20233年104东莞理工学院学报别结果平均值的MAE）。其次，再建立一个由VGG网络改写的1 6 层标准1 DCNN模型和一个34层1 DResNet模型，与本文建立的模型在精度和效率上做对比，三个模型除了网络结构以外，其它超参数设置均相同。最后，由于以上过程均是对无干扰的干净数据进行的建模分析，因此可以考虑噪声情况，对干净数据添加2 0 分贝的高斯白噪声进一步检验模型泛化能力。以上神经网络搭建和数据处理均在Python中实现，神经网络模型由PyTorch库建立。3结果分析研究数据预处理方法对模型精度的影响。本文对初始数据做了标准化处理而非大多数研究中使用的归一化，使用这两种方法的培训结果对比见表2。表2 归一化与标准化结果对照表误差归一化（Normalization）标准化（Standardization）MSE10.006 720.011 45MSE20.005 260.008 44MAE10.228230.107 09MAE20.008490.00571可以看到归一化处理后的MSE远远小于标准化之后的，这是因为归一化之后将数据范围限定在【0，1 ，而标准化只是限定了均值和方差并没有限定范围。但是可以看到归一化处理后的MAE效果比标准化差很多，笔者认为这是因为归一化将所有数据压缩而改变了数据分布，并且对异常值特别敏感，而标准化保留了原有的数据分布并且受异常值影响小。研究采样频率对训练结果的影响。分别设置5000Hz、2 50 0 H z、1 0 0 0 H z 的采样频率进行比较，采用相似的数据增强策略生成相同大小的数据库，均取1 秒的加速度数据作为输人。对比结果见图3和图4，图3表示训练过程中训练集误差MSE1的变化情况，图4表示训练过程中检验集误差MSE2的变化情况。从图3和图4可以看出50 0 0 Hz的采样率效果远远好于1 0 0 0 Hz，略好于2 50 0 Hz，因此本文的数据库建立采用50 0 0 Hz的采样率。比较不同模型的训练结果。建立的1 DDenseNet模型、标准1 D CNN模型和1 D ResNet模型在训练过程中训练集的损失MSE1变化见图5，检验集的损失MSE2变化见图6。55 000 Hz2.500Hz4-1000Hz3210020406080100epoch图3不同采样率下MSE1对照5 000Hz0.82.500Hz1 000Hz0.60.40.20.0020406080100epoch图4不同采样率下MSE2对照51DDenseNET1DCNN41DResNet3210020406080100epoch图5不同模型下MSE1对照在模型精度方面，1 DDenseNet模型的精度远远高于标准1 DCNN模型，略高于1 DResNet模型。1 DDenseNet模型的MSE1稳定在0.0 1 1 45，MSE2稳定在0.0 0 8 44；1 DResNet模型的MSE1稳定在0.0 1 549，MSE2稳定在0.0 1 6 0 8；标准1DCNN模型的MSE1稳定在0.1 2 8 9 7，MSE2稳定在0.1 2 8 9 7。在模型训练时间方面，经历1 0 0 个epoch，1DDenseNet模型的训练时间为55分钟，标准IDCNN模型的训练时间为3小时，1 DResNet模型105沙春：基于一维密集卷积网络梁断裂损伤识别第3期1DDenseNET0.81DCNN1D ResNet0.60.40.20.0020406080100epoch图6不同模型下MSE2对照的训练时间为5小时以上。可以得出，1 DDenseNet模型的训练效率远远高于其他类型的卷积神经网络。研究引人噪声后1 DDenseNet模型的识别精度。表3中列出了1 DDenseNet模型在干净数据和2 0 分贝噪声数据下的各种误差。表3干净数据与噪声数据结果对照表误差干净数据噪声数据MSE10.011 450.012.74MSE20.008 440.009.82MAE10.107 090.13979MAE20.005710.00707真实值干净数据预测值5噪声数据预测值432O12345678910111213测试集损伤状态图7测试集裂缝位置识别情况0.30真实值干净数据预测值0.25噪声数据预测值0.200.150.100.050.002345678910111213测试集损伤状态图8测试集裂缝深度识别情况观察表3中的数据对比，表明即使在2 0 分贝的噪声环境下，依旧有不错的识别效果从表2 和表3中可以看出，无论哪种情况，验证集的误差MSE2均低于训练集的误差MSE1，笔者认为出现这种现象主要有以下几个原因：1)训练过程中使用了Droupout和L2正则化，牺牲了大量训练精度（干净数据的训练集MSE1由0.00479升到0.0 1 1 45），但是提高了验证集和测试集精度；2）验证集数量不够多并且包含了一些容易识别的样本。图7 和图8 分别列出了测试集1 3个结构损伤案例裂缝位置（单位：米）和深度n（单位：米）的识别情况，图中的干净数据预测值和噪声数据预测值为各个损伤状态对应样本识别结果的1062023年工学院学报东莞理平均值，使用这种方法直观地查看模型的准确性。从上图可以发现，使用干净数据时，前两种浅裂缝损伤状态识别精度不是太高，对于其他损伤状态均有比较高的精度，笔者认为浅裂缝识别效果差是因为其加速度时程响应特征不明显很难提取，可以通过设置多个传感器解决这个问题4结语建立1 DDenseNet模型用于回归预测，以有限元分析（ANSYS）林模拟的悬臂梁为研究对象，通过分离裂缝模型添加裂缝，然后施加瞬态荷载，考虑到每种损伤状态只有一条裂缝问题相对简单，因此只设置一个加速度传感器提取各个结构状态的加速度时程响应，数据增强后带入模型训练，通过检验集调整超参数，测试集检验泛化能力，并将结果与标准1 DCNN和1 DResNet对比，证明了使用1 DDenseNet处理悬臂梁断裂损伤识别问题的可行性和高效性，并且对初始数据加入白噪声进一步讨论。得到的结论如下：1）使用基于加速度数据建立的1 DDenseNet模型不仅在训练集和检验集有比较精确的效果，在测试集上也表现良好，均有不错的识别效果，说明有比较优秀的泛化能力。2）使用了一种新型的卷积神经网络1 DDenseNet建立模型，它具有特征重复利用的优点，将其与标准1 DCNN和1 DResNet进行了比较，证明了1 DDenseNet在悬臂梁断裂损伤识别上的优越性。3）仅设置了一个加速度传感器便取得了不错的效果，可以减少传感器的安装成本，若设置更多的传感器应该会有更好的精度。4）使用了数据偏移方法增强数据，极大的增加了数据库中样本的数量，有效降低了原始样本的获取难度，并且也有非常不错的训练效果。5）原始数据引人2 0 分贝的白噪声之后模型依旧具有不错的识别能力，说明模型具有一定的实际应用能力。还有一些问题值得研究：首先，建立的1 DDenseNet模型用于悬臂梁竖向裂缝损伤识别有不错的效果，但由于考虑到计算量的限制，没有画更密集的网格，相信画更密集的网格生成更多的结构损伤状态会有更好的识别效果和泛化能力；其次，只设置了一个加速度传感器，更多的传感器会有更好的效果，传感器的数量和设置位置也是值得讨论的问题；第三，建立的模型只适用于瞬态荷载和白噪声情况，还有车辆情况、模型误差等影响没有考虑；第四，数值模拟与实际情况之间有较大误差，研究只能说明1 DDenseNet在本文建立的模型下的可行性，并不能说明在实际情况下的作用，若要进一步检验其效果还是需要通过实验验证；最后，没有考虑多裂缝的结构状态，相信做更大的数据库以及更多个传感器会解决这个问题。参考文献1FAN W,QIAO P.Vibration-based damage identification methods:a review and comparative studyJ.Structural health monitoring,2011,10(1):83-111.2PATHIRAGE C S N,LI J,LI L,et al.Structural damage identification based on autoencoder neural networks and deep learning J.Engineer-ing structures,2018,172(10):13-28.3WANC R,LI L,LI J.A novel parallel auto-encoder framework for multi-scale data in civil structural health monitoring JJ.Algorithms,2018,11(8):112.4杨渊，练继建，周观根，等。基于一维卷积神经网络的钢桁架结构损伤识别C第二十届全国现代结构工程学术研讨会论文集，2020.5ABDELJABER O,AVCI O,KIRANYAZ S,et al.Real-time vibration-based structural damage detection using one-dimensional convolutionalneural networks J.Journal of Sound and Vibration,2017,388(2):154-170.6ZHANG Y,MIYAMORI Y,MIKAMI S,et al.Vibration-based structural state identification by a 1-dimensional convolutional neural net-workJ.Computer-Aided Civil and Infrastructure Engineering,2019,34(9):822-839.7HE K,ZHANG X,REN S,et al.Deep residual learning for image recognitionCJ/Proceedings of the IEEE conference on computer vision andpattern recognition,2016:770-778.8WANG,RUHUA,et al.Deep residual network framework for structural health monitoring J.Structural Health Monitoring,2021,20(4):1443-1461.9HUANG G,LIU Z,VAN DER MAATEN L,et al.Densely connected convolutional networks C/Proceedings of the IEEE conference on com-puter vision and pattern recognition,2017:4700-4708.107沙春：基于一维密集卷积网络的悬臂梁断裂损伤识别第3期10WANG R,LI J,AN S,et al.Densely connected convolutional networks for vibration based structural damage identificationJJ.EngineeringStructures,2021,245(10):112871.Fracture Damage Identification of a CantileverBeam Based on One-Dimensional DenselyConnected Convolutional NetworkSHAChun(School of Civil Engineering,Chongqing Jiaotong University,Chongqing 400074,China)Abstract Vibration-based damage identification is an important task of structural health monitoring,and a fracture damageidentification method for cantilever beam based on acceleration time-course response is proposed.ANSYS is used to simulate a canti-lever beam as the research object.Discrete crack model is used to create the cracks to simulate the state of damage;applying a tran-sient load obtains acceleration time-course response data corresponding to the damage state;a one-dimensional intensive convolution-al network regression model is built by using the offset sampling processed data,and is in contrast with the standard one-dimensionalconvolutional neural network model and the residual network.Finally,white noise is added to the original data to simulate the realapplication effect of the real environment test model.The results show that the recognition accuracy and efficiency of the model arefar better than those of other neural network,and the effect is also significant in the noise environment of 20db.It proves the superi-ority and feasibility of using one-dimensional densely connected convolutional network for damage identification of beam cracks.Key words damage identification;acceleration time-course response;cantilever beam;cracks;one-dimensional denselyconnected convolutional network