基于迁移学习的框架结构损伤识别研究.pdf

第 卷 第 期 年 月世 界 地 震 工 程 .收稿日期:修回日期:基金项目:国家自然科学基金面上项目()河南省高等学校重点科研项目()作者简介:滕辉()男硕士研究生主要从事结构工程抗震研究:.通信作者:康帅()男副教授博士主要从事结构工程抗震研究:.文章编号:():./.基于迁移学习的框架结构损伤识别研究滕 辉康 帅王自法殷 琳(.河南大学 土木建筑学院河南 开封 .中震科建防灾减灾研究院有限公司 广东 韶关.宁波工程学院 建筑与交通工程学院浙江 宁波)摘 要:为探究基于迁移学习的 网络模型在框架结构损伤识别中的效果分别建立了基于贝叶斯优化的一维卷积神经网络模型和基于迁移学习的 网络模型采用六层框架的有限元模拟数据和卡塔尔大学看台缩尺实验数据分别考虑单测点数据(单通道)和多测点数据(多通道)对模型进行训练并对比其预测结果 结果表明:多通道数据相对于单通道数据包含的结构损伤特征更全面基于多通道数据训练的模型损伤识别正确率更高并且有良好的抗噪性 基于迁移学习的 模型和一维卷积神经网络模型相比提取特征的能力和抗噪性更强但由于网络结构更深训练所需时间更长关键词:损伤识别卷积神经网络迁移学习动力特征中图分类号:文献标识码:(.):.()().:引言土木结构在使用期间受外荷载影响可能会发生不同程度的损伤这些损伤在不断的累积下会降低结构的安全性为了及时修复损伤确保结构的安全对结构进行损伤检测是必要的第 期滕 辉等:基于迁移学习的框架结构损伤识别研究当结构受损时刚度和质量等物理特性会发生变化时从而导致振动响应发生变化根据这一特性部分学者提出了基于非参数(振动信号)的结构损伤识别方法 赵怀山等采用小波降噪和主成分分析对钢架桥结构进行损伤识别该方法能够有效提取振动信号的特征信息准确的进行结构损伤识别任宜春等对结构加速度响应进行改进的 分析 通过结构响应瞬时频率的变化判断结构是否损伤和出现损伤的时间刘宁等通过经 变换后得到的振动信号时频谱以及时频谱能量对结构进行损伤识别 这些时频域方法虽然在结构损伤识别中表现良好但是在对数据进行处理过程中容易使振动响应中的部分损伤特征扭曲或丢失随着机器学习理论不断的发展和完善一些学者通过机器学习模型来提取振动响应信号中的损伤特征以此实现结构损伤识别 等通过利用支持向量机()从少量的传感器中获得详细的损坏信息验证了 应用在结构损伤检测的有效性闫维明等提出结合 神经网络采用加速度响应相关特性作为结构损伤因子的损伤识别方法对简支梁结构进行损伤识别验证了该方法的有效性 但在应用传统的机器模型对振动信号进行训练时容易出现模型训练效率低下产生过拟合等现象随着人工智能与深度学习的发展以卷积神经网络()为代表深度学习模型的出现弥补上述方法的缺陷能够用采用更少的参数得到更好的识别效果 李书进等构建了可以从结构动力反应信号中进行学习并完成分类诊断的 和 并对结构进行了损伤识别验证了卷积神经网络在结构损伤识别的可行性李雪松等采用卷积神经网络提取振动响应信号中的特征并且与传统的经验模态分解法和小波包变换法进行对比验证了卷积神经网络模型相对传统识别方法有更强的提取特征的能力 等提出一种基于多振动信号决策级融合和卷积神经网络的结构损伤识别方法对某钢架桥梁进行了损伤识别 等使用时域振动响应采用密集连接卷积神经对结构进行损伤识别结果表明该方法有着较高的准确度和良好的鲁棒性以往的研究表明采用卷积神经网络模型对结构进行损伤识别有较好的识别效果但构建并训练出有较高准确度和良好鲁棒性的卷积神经网络需要对网络模型的结构和超参数进行不断调整直至到达最优效果 为了节省人力成本和时间成本本文采用贝叶斯方法对一维卷积神经网络的结构和超参数进行了优化并构建了基于迁移学习的 模型通过数值模拟数据和实验数据分别考虑单测点数据(单通道)和多测点数据(多通道)对这两种模型进行训练并对损伤识别结果进行对比分析 通过在数据集中加入高斯噪声根据预测结果分析两种模型的抗噪性深度学习理论.卷积神经网络基本原理完整的卷积神经网络包括输入层、卷积层、池化层、全连接层和分类输出层卷积神经网络结构如图 所示 其中卷积层和池化层为核心网络层卷积层具有局部感知和权值共享等特性可以降低卷积神经网络模型的计算参数提高模型的计算效率 卷积层通过卷积运算对上一层网络输出的数据进行特征提取随着卷积层数量的增加网络模型可以提取更为复杂的数据特征卷积层的卷积运算是通过卷积核矩阵与输入数据上的感受野窗口矩阵对应位置相乘再求和再将求和后的数据返回到输出矩阵中一维卷积运算过程见图 在进行卷积运算时一般卷积核按照从上到下来进行计算卷积核的大小和个数卷积步长卷积运算前是否对数据进行填充这些称为卷积神经网络的超参数是由网络设计者根据自己需求进行设置 图 卷积神经网络示意图 图 卷积运算示意图 .世 界 地 震 工 程第 卷池化层的设置可以有效过滤冗余而保留特征值提高计算的效率 池化层常用的两种池化方式分别为最大值池化和均值池化最大值池化是将卷积运算后的子矩阵中最大值提取出来最大值池化用来过滤像素中无用的信息均值池化是将卷积运算后的子矩阵中所有数据求平均值将平均值作为结果平均池化可以防止高维信息丢掉太多数据输入网络后经过多次卷积和池化提取数据特征通过全连接层将这些特征值展平为一维向量将一维向量输入 层计算损伤数据与标签对应的概率将概率最大值视为预测结果 全连接层在神经网络种主要起到整合池化层中提取的重要特征信息其每层神经元都与上一层神经元相连接连接处都有一个权重来计算特征的重要程度.迁移学习迁移学习是把在某个任务中学习到的知识迁移到目标任务中使目标任务能够取得更好的学习效果核心思想是将已通过大量数据训练的网络模型迁移到目标任务中进行训练和预测其原理如下:用()表示域其中 和()表示特征空间和边概率分布用()表示该域的任务其中:和()表示标记空间和目标预测函数 给定一个基于(目标域)的学习任务 从(源域)中获得学习任务 的帮助通过发现和转移 和 的潜在知识来提高学习任务 的预测函数()的性能在迁移学习过程中需保持模型的网络结构不变然后载入在预训练模型中训练好的权重与参数通过改变输入层和输出层尺寸使结构的振动响应数据输入模型进行训练和预测 最后对模型的部分超参数进行微调并将采集到的结构响应数据输入模型进行训练和预测.贝叶斯超参数优化贝叶斯优化是一种全局优化算法可用于求解表达式未知的函数的极值问题 在训练机器学习模型时需要不断调整模型的超参数使模型能够得到最优解这一过程可抽象为函数极值问题其变量为模型的超参数函数值为机器学习模型的性能指标如准确率和预测速度等 因此可以通过贝叶斯算法自动对机器学习模型的超参数进行优化解决了人工优化耗时耗力的问题贝叶斯优化的思路是首先随机产生初始化样本点通过样本点对高斯过程进行估计和更新再通过提取函数来确定新的样本点重复上述步骤直至迭代终止 该优化方法能够考虑历史参数信息提高搜索新样本点的效率并且使用较少的迭代次数就能得到机器学习模型超参数的最优解数据集及深度学习网络模型的构建.数值模型图 结构平面布置图.本文采用六层钢框架结构首层高度为.其余层高为.跨度和进深均为 梁和柱均采用 型钢截面尺寸如表 所示 结构阻尼采用瑞利阻尼柱底固定和梁柱节点为刚接结构平面布置如图 所示采用 梁单元建模(单元类型:)杨氏模量为 泊松比为.密度为 /为了表示结构的损伤程度将构件的弹性模量降低来模拟损伤例如弹性模量分别降低、和 代表该构件损伤程度为、和 为了模拟不同位置的构件损伤将结构中某个构件的弹性模型进行折减表示该位置构件损伤 每层选择一个柱、横梁和纵梁进行损伤共设定了 种损伤位置每个损伤位置下共有 种损伤程度数据集共有 种损伤工况表 结构构件信息 构件截面尺寸材料梁 柱 第 期滕 辉等:基于迁移学习的框架结构损伤识别研究 通过有限元方法计算出在高斯白噪激励下的不同损伤工况下的加速度响应每次激励时长为 采样频率为 每个样本长度为 每次以.的步长对高斯白噪声进行调幅共进行 次激励 将每层层顶设置一个测点提取每层测点的时程加速度作为训练样本单个测点共有 个训练样本全部测点共有 个训练样本将训练样本 用于训练用于验证和测试.一维卷积神经网络模型一维卷积神经网络模型的构建需要根据训练集和验证集正确率、损失值、训练速度等因素对模型的结构和超参数进行不断修正来确定为了使模型能更快和更准确的识别结构损伤本文在构建单通道(单个测点数据)和多通道(多个测点数据)一维卷积神经网络模型时采用贝叶斯法对模型的卷积层个数、卷积核大小、学习率和正则化进行优化 在优化过程中对模型参数范围进行设置其中每个卷积块中卷积层层数范围设定为()模型中共有三个卷积块卷积核大小范围设定为()由于卷积核一般设置为奇数故选取的卷积核大小为范围内的奇数学习率范围设定为()正则化范围设定为()部分模型优化过程如图 所示所有模型优化结果见表 表 网络结构及超参数优化结果 网络模型卷积层层数卷积核大小学习率 正则化单通道模型损伤定位识别.损伤程度识别.多通道模型损伤定位识别.损伤程度识别.图 模型优化过程.基于迁移学习的 网络模型残差神经网络()能有效的缓解梯度消失问题极大的提高了网络模型的深度从而提高了模型提取特征的能力 其中:网络模型有良好的提取特征的能力在分类问题上有较好的识别精度 本文将通过大量数据预训练的 模型迁移学习到本案例中将迁移学习后的模型分别采用单通道(单侧点数据)和多通道(多测点数据)进行训练和预测 网络结构如图 所示数值算例识别结果.一维卷积神经网络识别结果采用顶层测点的加速度数据来构建单通道数据集每层测点数据来构建多通道(通道)数据集将构建的单通道数据集和多通道数据集输入网络模型进行训练并通过测试集对模型进行评估最终识别结果见表 由表 可知:采用多通道数据训练出的模型正确率更高因为多通道数据相较于单通道数据包含更多的结构损伤特征 本文因数据集相对较小而构建的一维卷积神经网络较浅对于损伤特征不明显的数据容易识别错误而多通道数据补充了单通道中不明显的损伤特征从而使正确率有所提升世 界 地 震 工 程第 卷图 网络结构.表 一维卷积神经网络模型识别结果 通道数损伤模式损伤识别正确率/训练用时/单通道损伤定位识别.损伤程度识别.多通道损伤定位识别.损伤程度识别.表 迁移学习的 模型识别结果 通道数损伤模式损伤识别正确率/训练用时/单通道损伤定位识别.损伤程度识别.多通道损伤定位识别.损伤程度识别.基于迁移学习的 模型识别结果将单通道数据集和多通道数据集输入.节所述的网络模型进行训练训练后通过测试集对模型进行评估结果见表 该模型提取损伤特征的能力较强无论是在单通道数据的训练下还是在多通道数据的训练下损伤定位和损伤程度识别都可以达到 对比两种模型在框架上的损伤识别结果可知:一维卷积神经网络模型在进行训练时用时较短但其网络结构相对较浅共 层对不明显的损伤特征无法有效的识别出来而基于迁移学习的 网络模型相较于一维卷积神经网络提取损伤特征的能力更强在单通道数据的训练模型正确率仍能达到但该网络较深共有 层在进行网络训练时需要的训练时间相对于一维卷积神经网络的要更多模型实验验证.实验模型介绍本文采用的实验数据是来自卡塔尔大学公开的看台结构缩尺实验数据实验模型见图 尺寸为.由 根填充梁和 根主梁组成支撑在 个柱子上 根主梁长.悬臂部分填充长约 其余填充梁长.传感器布置在填充梁和主梁接头处通过填充梁和主梁接头(节点)处的连接螺栓来实现结构该位置损伤 在整个框架中每次损伤一个节点作为一个工况共设置了 个损伤工况对上述的每种工况采用激振器对结构进行随机振动激励并采集加速度信号采样频率为 共记录 的加速度信号 将记录的信号按照相等时长分段每段长度为 每种损伤工况一个加速度计共 个样本所有工况共 个样本 为了分析实验数据中通道对模型损伤识别的影响分别建立了单通道数据集和五通道数据集第 期滕 辉等:基于迁移学习的框架结构损伤识别研究图 钢框架看台模型.表 网络模型的识别结果 通道数网络模型损伤识别正确率/训练用时/单通道一维卷积神经网络模型.迁移学习的 模型.多通道一维卷积神经网络模型.迁移学习的 模型.模型识别结果将上节所制作的数据集输入构建的两种模型进行训练并用测试集对训练后的模型进行评估两种模型的识别效果见表 在实验数据的训练下迁移学习后的 模型的识别准确率仍高于一维卷积神经网络模型训练模型所需的时间仍多于一维卷积神经网络无论是数值模拟数据还是实验数据都验证了基于迁移学习的 模型提取特征的能力要好于一维卷积神经网络但在损伤特征较为明显的多通道数据中一维卷积神经网络也有很好的识别效果并且训练效率要高于基于迁移学习的 模型.噪声影响下的识别结果由于该实验是在室内实验室进行的在采集振动信号时基本没有受到噪声影响而在实际结构检测中采集的振动信号不可避免会参杂各种噪声为了测试单通道数据集和多通道数据集训练的两种模型在噪声影响下的结构损伤识别效果分别在单通道数据集和多通道数据集中加入信噪比为 的噪声含噪声的振动信号为:()式中:为添加噪声后的加速度信号 为原始加速度信号 为信噪比表 加噪后模型的识别结果 网络模型单通道多通道一维卷积神经网络模型.迁移学习的 模型.将加入噪声的单通道数据集和多通道数据集分别输入一维卷积神经网络模型和基于迁移学习的 模型进行训练训练结果见表 由表 可以看出加噪后数据训练的两种模型的预测正确率都有不同程度的下降但多通道数据训练的模型仍然有着很高的正确率对比这两个模型在单通道数据集和多通道数据集训练后模型的预测结果可以看出:多通道训练的模型和单通道训练的模型相比有着较强的抗噪能力对比这两个模型的识别效果可以看出:迁移学习的 模型的抗噪性要优于一维卷积神经网络模型结论本文基于振动信号构建了一维卷积神经网络模型和结合迁移学习的 网络模型采用有限元模拟数据和实验数据分别考虑单测点数据(单通道)和多测点数据(多通道)对模型进行训练并对预测结果进行对比分析主要结论如下:)基于迁移学习 模型和一维卷积神经网络模型都能较为准确的进行结构损伤识别对比两者的训练效率和识别精度可以得出前者有较强的提取损伤特征的能力但由于网络结构较深训练模型所需的时间较长后者因网络结构较浅相较于前者有较高的训练效率但提取特征的能力相对较弱)多通道数据相对于单通道数据包含的结构损伤特征更多训练出的模型都有较好的识别效果采用提取特征能力较弱的一维卷积神经网络也能够准确进行损伤定位和损伤程度识别 多通道训练的模型受噪声的影响相对较小加入噪声后两种模型仍然有较高的识别正确率)基于迁移学习的 模型比一维卷积神经网络模型的抗噪能力强加入噪声后无论是单通道数据还是多通道数据训练出的模型前者的正确率均高于后者世 界 地 震 工 程第 卷参考文献: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 ():.():.().().:.赵怀山 郭伟超 高新勤 等.基于小波降噪和主成分分析的结构损伤识别.西安理工大学学报 ():.():.()任宜春 翁璞.基于改进 变换的结构损伤识别方法研究.振动与冲击 ():.():.()刘宁 刘四新 奚佳欣 等.基于 变换的简支梁结构损伤检测方法研究.振动与冲击 ():.():.()曹永杰.基于平行卷积神经网络的结构损伤识别.广州:广州大学.:.().:.闫维明 顾大鹏 陈彦江 等.基于加速度响应相关性的结构损伤识别方法.振动与冲击 ():.():.()周楠 欧阳鑫玉.卷积神经网络发展.辽宁科技大学学报 ():.():.().():.李书进 赵源 孔凡 等.卷积神经网络在结构损伤诊断中的应用.建筑科学与工程学报 ():.():.()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 ():.():.().():.:.袁晨晖.深度卷积神经网络的迁移学习方法研究与应用.南京:南京邮电大学.:.()李鹏举 郑方坤 吕建兵 等.基于大数据迁移学习的灰岩地区排水孔淤堵自动识别技术.现代隧道技术 ():.():.().:.崔佳旭 杨博.贝叶斯优化方法和应用综述.软件学报 ():.():.().().:.:.滕志强.基于卷积神经网络与振动信号的结构损伤识别.广州:广东工业大学.:.()