基于卷积神经网络和递归图的桥梁损伤智能识别
发布时间：2020-12-10 12:32
为改进目前传统损伤识别方法对桥梁局部小损伤识别能力较弱的不足,提出利用深度学习方法中的卷积神经网络对桥梁损伤进行统计模式识别.根据卷积神经网络对损伤特征向量的需求,将车桥耦合振动下的原始结构响应信号进行小波包滤波和重构,之后通过递归分析获取不同损伤工况的递归图,将其作为新型的损伤特征图像作为卷积神经网络的输入.在此基础上提出基于卷积神经网络和递归图的桥梁结构损伤识别计算流程和方法.对一座连续梁桥进行不同位置和程度的损伤模拟,提取小波包频带能量及递归图等损伤特征向量,并进行基于多种统计模式识别算法的损伤识别.结果表明:与其他特征向量相比,递归图蕴含更丰富的损伤信息;与支持向量机和BP神经网络等传统统计模式识别方法相比,卷积神经网络能够通过逐层智能学习实现更准确的特征自动提取和区分,从而实现损伤位置和损伤程度的更精准识别.
【文章来源】：应用基础与工程科学学报. 2020年04期 第966-980页 北大核心
【文章页数】：15 页
【部分图文】：
首先研究将小波包频带能量作为损伤特征向量的传统识别方法的精度．对上述滤波后的时域信号采用4层小波包变换得到16个频带能量，取在不同损伤工况下变化率较大的15个频带能量序列作为损伤特征向量．前4种损伤工况的典型频谱能量序列如图5所示．可以看出频带能量对不同位置的损伤比较敏感，但在表征同一位置上不同程度损伤的差异方面能力偏低．以小波包频带能量为损伤特征，采用Bayesian网络、BP神经网络、K-means聚类和支持向量机等4种传统统计模式识别方法进行桥梁损伤识别．选取10种工况下的100组特征数据作为训练集，分别对Bayesian网络、支持向量机和BP神经网络进行训练．将Bayesian网络的先验概率设为均匀分布，即各工况数目占总分类样本的比例为该工况的先验概率．将支持向量机的计算目标定为1.0×10-5，计算速率选择为0.001.BP神经网络设置的参数如下:训练函数为traincgb，学习函数为learngdm，最大训练次数为1 000，训练目标为0.005，学习速率为0.01，隐含层神经元个数为31．各选取10种工况下的10组特征数据作为测试集检验模型的分类能力，然后将上述测试集进行分类．结果如表2所示，4种模型的分类正确率参见表3.图5 前4种工况频谱能量条形图
为验证基于递归图和卷积神经网络的桥梁损伤识别方法的可行性和优越性，建立一个三跨钢筋混凝土连续梁桥的有限元模型，并采用车辆移动荷载对不同损伤状态下的桥梁进行动力分析，获得桥梁主要节点的振动信号并进行损伤识别．所选三跨T型截面连续梁桥的具体参数如下:桥梁主梁由6片组成，每跨计算跨径均为25m，设计荷载为公路Ⅰ级荷载，荷载横向分布系数为0.6，主梁材料为C40混凝土，配筋包括Q235和HRB335钢筋．通常车桥振动模型有梁上移动荷载模型、梁上移动质量模型和梁上弹簧-质量模型．本文将车辆荷载转化为移动质量模型，车重为2.6t，以36km/h的恒定车速驶过桥梁．车桥耦合振动示意图如图2所示．整体有限元桥梁模型沿桥长有2 000个单元．在有限元模型的损伤模拟中，通过改变指定关键部位的单元刚度来模拟桥梁的损伤程度．由于实际情况下各跨跨中部位最容易发生损伤且其损伤对振动响应的影响最大，因此选取各跨跨中损伤及其组合情况来模拟桥梁的损伤位置．本研究致力于解决桥梁局部小损伤的识别问题，因此选取各跨跨中10%长度范围的40个单元进行刚度折减，使其刚度分别下降5%或10%．在实际环境中，环境噪声对桥梁的影响不可忽略，因此本文给桥梁分别施加2%、4%、5%、6%和8%的环境噪声，模拟实际桥梁的损伤，各工况具体情况如表1所示．对上述各损伤工况下的车桥耦合振动模型进行动力分析，提取主跨跨中的位移响应信号和加速度响应信号．通过模拟得到5种噪声环境下这10种工况各200条振动响应信号，即每种工况的信号样本各1 000条，构成容量为10 000的样本集．由于振动响应对损伤并不敏感，往往使小损伤特征提取变得困难，并且振动响应信号具有很强的非平稳性，因此对提取的加速度信号进行6层小波包分解，得到第6层从低频到高频64个频带成分的特征信号，在频域内找到对结构小损伤较为敏感的频段，对小波包分解系数进行重构，从而提取该频段对应时域内的信号．前4种工况的重构信号如图3所示，滤波后的时域信号如图4所示．
【参考文献】：
期刊论文
[1]基于核主元分析和支持向量机的结构损伤识别研究[J]. 孙艳丽,杨娜,张正涛,戚蕊,刘尚来,徐亚丰,夏宝晖,董文天,邱明浩. 应用基础与工程科学学报. 2018(04)
[2]基于自适应技术的结构参数与输入同步反演[J]. 穆腾飞,周丽. 振动.测试与诊断. 2017(05)
[3]桥梁结构损伤识别研究现状与展望[J]. 吴向男,徐岳,梁鹏,李斌. 长安大学学报(自然科学版). 2013(06)
[4]基于递归矩阵奇异熵的损伤识别方法[J]. 杨栋,任伟新. 振动与冲击. 2012(03)
[5]小波支持向量机在结构损伤识别中的应用研究[J]. 何浩祥,闫维明,周锡元. 振动、测试与诊断. 2007(01)
[6]基于小波包能量谱的结构损伤预警方法研究[J]. 丁幼亮,李爱群,缪长青. 工程力学. 2006(08)
本文编号：2908699
【文章来源】：应用基础与工程科学学报. 2020年04期 第966-980页 北大核心
【文章页数】：15 页
【部分图文】：
首先研究将小波包频带能量作为损伤特征向量的传统识别方法的精度．对上述滤波后的时域信号采用4层小波包变换得到16个频带能量，取在不同损伤工况下变化率较大的15个频带能量序列作为损伤特征向量．前4种损伤工况的典型频谱能量序列如图5所示．可以看出频带能量对不同位置的损伤比较敏感，但在表征同一位置上不同程度损伤的差异方面能力偏低．以小波包频带能量为损伤特征，采用Bayesian网络、BP神经网络、K-means聚类和支持向量机等4种传统统计模式识别方法进行桥梁损伤识别．选取10种工况下的100组特征数据作为训练集，分别对Bayesian网络、支持向量机和BP神经网络进行训练．将Bayesian网络的先验概率设为均匀分布，即各工况数目占总分类样本的比例为该工况的先验概率．将支持向量机的计算目标定为1.0×10-5，计算速率选择为0.001.BP神经网络设置的参数如下:训练函数为traincgb，学习函数为learngdm，最大训练次数为1 000，训练目标为0.005，学习速率为0.01，隐含层神经元个数为31．各选取10种工况下的10组特征数据作为测试集检验模型的分类能力，然后将上述测试集进行分类．结果如表2所示，4种模型的分类正确率参见表3.图5 前4种工况频谱能量条形图
为验证基于递归图和卷积神经网络的桥梁损伤识别方法的可行性和优越性，建立一个三跨钢筋混凝土连续梁桥的有限元模型，并采用车辆移动荷载对不同损伤状态下的桥梁进行动力分析，获得桥梁主要节点的振动信号并进行损伤识别．所选三跨T型截面连续梁桥的具体参数如下:桥梁主梁由6片组成，每跨计算跨径均为25m，设计荷载为公路Ⅰ级荷载，荷载横向分布系数为0.6，主梁材料为C40混凝土，配筋包括Q235和HRB335钢筋．通常车桥振动模型有梁上移动荷载模型、梁上移动质量模型和梁上弹簧-质量模型．本文将车辆荷载转化为移动质量模型，车重为2.6t，以36km/h的恒定车速驶过桥梁．车桥耦合振动示意图如图2所示．整体有限元桥梁模型沿桥长有2 000个单元．在有限元模型的损伤模拟中，通过改变指定关键部位的单元刚度来模拟桥梁的损伤程度．由于实际情况下各跨跨中部位最容易发生损伤且其损伤对振动响应的影响最大，因此选取各跨跨中损伤及其组合情况来模拟桥梁的损伤位置．本研究致力于解决桥梁局部小损伤的识别问题，因此选取各跨跨中10%长度范围的40个单元进行刚度折减，使其刚度分别下降5%或10%．在实际环境中，环境噪声对桥梁的影响不可忽略，因此本文给桥梁分别施加2%、4%、5%、6%和8%的环境噪声，模拟实际桥梁的损伤，各工况具体情况如表1所示．对上述各损伤工况下的车桥耦合振动模型进行动力分析，提取主跨跨中的位移响应信号和加速度响应信号．通过模拟得到5种噪声环境下这10种工况各200条振动响应信号，即每种工况的信号样本各1 000条，构成容量为10 000的样本集．由于振动响应对损伤并不敏感，往往使小损伤特征提取变得困难，并且振动响应信号具有很强的非平稳性，因此对提取的加速度信号进行6层小波包分解，得到第6层从低频到高频64个频带成分的特征信号，在频域内找到对结构小损伤较为敏感的频段，对小波包分解系数进行重构，从而提取该频段对应时域内的信号．前4种工况的重构信号如图3所示，滤波后的时域信号如图4所示．
【参考文献】：
期刊论文
[1]基于核主元分析和支持向量机的结构损伤识别研究[J]. 孙艳丽,杨娜,张正涛,戚蕊,刘尚来,徐亚丰,夏宝晖,董文天,邱明浩. 应用基础与工程科学学报. 2018(04)
[2]基于自适应技术的结构参数与输入同步反演[J]. 穆腾飞,周丽. 振动.测试与诊断. 2017(05)
[3]桥梁结构损伤识别研究现状与展望[J]. 吴向男,徐岳,梁鹏,李斌. 长安大学学报(自然科学版). 2013(06)
[4]基于递归矩阵奇异熵的损伤识别方法[J]. 杨栋,任伟新. 振动与冲击. 2012(03)
[5]小波支持向量机在结构损伤识别中的应用研究[J]. 何浩祥,闫维明,周锡元. 振动、测试与诊断. 2007(01)
[6]基于小波包能量谱的结构损伤预警方法研究[J]. 丁幼亮,李爱群,缪长青. 工程力学. 2006(08)
本文编号：2908699
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2908699.html
