基于神經網絡的管道損傷識別分析

馬 燚

(沈陽市建設工程質量檢測中心，遼寧 沈陽 110004)

基于神經網絡的管道損傷識別分析

馬 燚

(沈陽市建設工程質量檢測中心，遼寧 沈陽 110004)

利用有限元軟件對管道模擬，獲得模態參數作為神經網絡的輸入樣本，采用BP，RBF網絡的方法對損傷前后的某管道工程進行分析，對比并探討兩種方法在管道損傷識別中的訓練結果，實現了對管道的損傷定位和損傷程度的識別。結果表明對于小樣本徑向基神經網絡(RBF)較BP網絡有較大的優勢。

徑向基(RBF)神經網絡，BP神經網絡，管道，損傷識別

0 引言

管道工程是城市建設的重要組成部分，是城市生命線工程的重要組成部分。管道工程位置通常較為隱蔽，無論是日常工作的維護管理，或是發生損傷檢修故障都不容易進行。這就迫切需要管道系統安全可靠地運行，同時也對管道正常服役提出了較高的要求。而傳統的人工檢測方法需要大量人力，檢查結果主觀性較大，檢測靈敏度低，只能識別較嚴重的損傷，而且檢查周期較長，對管道正常服役造成較大的影響。

神經網絡具有將反問題正問題化的功能[1-3]，神經網絡具有良好的非線性映射能力，將工程結構損傷辨識、定位等反問題轉化為正問題。這是由于神經網絡通過學習建立的映射模型相當于事先計算好的藍本，在識別過程中利用該藍本進行非線性插值。因此將訓練成型的神經網絡用于結構損傷的實時監測是行之有效的方法。

本文采用數值模擬方法獲得管道的固有頻率，將其作為神經網絡的輸入樣本。應用BP神經網絡和徑向基神經網絡的方法進行分析，得到管道損傷位置和單元損傷程度與其固有頻率之間的映射關系。應用本文的訓練樣本，實現了管道的損傷識別，并驗證了RBF神經網絡較BP神經網絡具有很強的逼近分類和學習速度，模型誤差的影響不大，不會因殘缺測量信息影響損傷檢測精度。

1 結構固有頻率的損傷分析理論

在管道的在線監測中，頻率易于獲得，且精度較高，通過監測頻率的變化來識別結構損傷最為簡單[4]。研究表明提取結構損傷前后的模態參數對損傷進行判斷較為有效。

1.1 結構損傷定位理論分析

20世紀70年代，結構自振頻率與損傷的關系開始被研究，提出了一種確定損傷位置并判斷其損傷程度的方法，通過實測自振頻率來確定。

以單元損傷程度αn推出“頻率變化平方比”是結構損傷程度和位置的函數，如式(1)所示。

(1)

式(1)表明結構任意兩階模態對應頻率變化比為結構損傷位置的函數，不同位置單元損傷對應一組特定頻率變化比集合。根據結構損傷前后各階模態對應的頻率變化比，即可識別損傷位置。

1.2 結構損傷程度標定的理論分析

在已確定的結構損傷區域，只有少量的單元與損傷有關，針對損傷區域，用實測的頻率信息就能有效地明確結構損傷程度。

(2)

其中，Ne為損傷單元數；m為實測頻率數；kj為第j損傷單元在未損傷前的剛度矩陣；αj為損傷修正因子。

2 人工神經網絡

人工神經網絡有聯想推理、自適應識別與模擬人類思維的能力，經過科學學習，能夠找出輸入—輸出之間的映射關系。

2.1 BP神經網絡

2.1.1BP網絡的結構

BP模型是目前研究最多、應用最廣泛的ANN模型。圖1是三層的BP網絡結構。BP網絡為輸入層、輸出層以及一個或多個隱層節點互連而成的多層網。

2.1.2BP網絡的學習算法

網絡學習算法指導思想為：基于網絡的誤差能量函數，用訓練樣本集，通過誤差反傳對網絡權值和閥值調整，使誤差函數沿負梯度方向下降達到要求精度，獲得最優網絡權值，訓練后的網絡能逼近給定的非線性系統。BP算法的主要缺點為：收斂速度慢、局部易出現極值、難以確定隱層和隱節點的個數。在實際應用中，BP算法存在很多局限性。

2.2 RBF神經網絡

徑向基函數(Radial Basis Function,RBF)是一種多維空間插值技術，局部響應特點，對非線性連續函數的逼近性能有較強優越性。

RBF神經網絡基本思路是：用徑向基函數(RBF)為隱單元的“基”，形成隱含空間。用隱含層對變換輸入矢量，將低維的模式輸入數據變換到高維空間，使在低維空間內線性不可分問題在高維空間內線性可分，RBF神經網絡結構示意圖如圖2所示。

徑向基數學模型如式(3)所示。

(3)

其中,φ(X,Xi)為“基函數”，它是第i隱單元的激勵輸出；輸出層有J神經元，其中任一神經元用j表示。隱含層和輸出層突觸權值用wij(i=1,2,…,N;j=1,2,…,J)表示。φ(X,Xi)通常取為高斯函數，有局部感受的特質，為RBF網絡的非線性映射能力。

3 損傷分析

在線監測中，目前由于監測設備監測精度的局限性，只能識別結構的低階頻率。因此本文采用有限元分析軟件對管道整體結構進行彈性分析，獲得其前5階固有頻率作為神經網絡的輸入樣本。

模擬某鋼—混管管道結構，長為12 m，外直徑為6 m，壁厚為20 cm，重度為2 500 kN/m3，彈性模量34 500 MPa，泊松比為0.28，分析中不計入土體影響。考慮邊界條件管口鉸接，外管壁上部為自由邊界，管壁兩側為鉸接，管壁下部為固接，如圖3所示。

3.1 損傷狀態介紹

模擬管道結構發生損傷時，圖3“十字”所示為工況4的損傷位置簡圖。給定72個管道，對每個管道都進行單損傷診斷的數值研究。得到完好結構以及72根管道單損傷工況的前五階頻率，如表1所示。

表1 管道固有頻率值

3.2 RBF與BP網絡結構的輸出結果的對比

本文采用抽取樣本的方法，用其中69根管道的損傷數據為訓練樣本，用另外3組樣本進行徑向基網絡模型的檢驗。BP神經網絡經過850次訓練，網絡達到收斂。訓練誤差如表2所示。

表2 BP網絡訓練誤差

由表2可以看出，BP網絡的訓練誤差是較大的。而RBF神經網絡訓練過程只要完成一次即可得到一個零誤差的徑向基網絡(訓練誤差如表3所示)，所以徑向基創建網絡的速度極快。由表3可以看出RBF網絡的訓練誤差與目標誤差較為接近。說明RBF網絡的訓練較為成功。

表3 RBF網絡訓練誤差

檢驗樣本如表4所示，BP和RBF網絡訓練結果如表5，表6所示。

表4 檢驗樣本

表5 BP網絡訓練結果

表6 RBF網絡訓練結果

由表4和表5可以看出，BP網絡得到的訓練結果誤差較大，說明本文模擬管道的完好結構與有損傷結構的這73組數據的涵蓋面雖然較廣，但每類點的數量只有1個，若只取其中一部分數據作為訓練樣本，會造成樣本數據面涵蓋不完全，使得網絡的表達不夠充分，從而導致網絡的外推功能較差。也說明對于小樣本而言，BP網絡是不適用的。由表4和表6可以看出，使用RBF網絡方法，對訓練樣本仿真得到的結果與期望輸出結果基本一致。雖然對檢驗樣本進行仿真得到坐標z值和期望輸出有所偏差，但誤差很小，說明該網絡是適用于對管道損傷檢驗的。

4 結語

本文在識別過程中，利用對結構損傷敏感的頻率作為識別參數，將振動模態分析技術和神經網絡技術相結合實現了管道損傷監測。

1)頻率的整體識別特性較高，是基于模態頻率進行損傷識別的重大優勢，把其作為輸入樣本，結果較好。

2)本文由BP網絡識別的管道損傷結果未達到期望效果，表明BP神經網絡的外插值能力較弱，若樣本數據涵蓋不完全，易造成較大誤差。

3)本文將訓練好的RBF網絡應用于管道的損傷識別中，得到的結果與期望值誤差較小，表明該網絡具有收斂速度快、魯棒性好、精度高的特點，是適用于小樣本輸入以及對管道損傷檢驗的。

4)本文在個別損傷處經過網絡訓練得到的坐標數值存在誤差，表明應增加各種損傷工況的訓練樣本與改進算法，以期得到更加準確地預測結果。

[1] T Sou P,Shen M H H.Structural damage detection and identification using neural networks[J].AIAA Journal,1994,32(1):176-183.

[2] R him J,Lee S W.A neural network approach for damage detection and identification struetures[J].Computer Meehanies,1995(16):437-443.

[3] Worden K.Structural fault detection using a novelty measure[J].Journal of Sound and Vibration,1997(201):85-101.

[4] 陳建林,郭杏林.基于神經網絡的簡支梁損傷檢測方法研究[J].煙臺大學學報(自然科學與工程版),2001,14(3):217-223.

Analyzeondamageidentificationofpipelinebasedonneuralnetwork

MaYi

(ShenyangConstructionTestingCenter,Shenyang110004,China)

The modal parameters as damage identification are

by the FEM. The pipeline engineering damaged and undamaged is analyzed through the BP and RBF network method, and the results of the pipeline damage identification of these two methods are discussed. The identification of the pipeline damage location and damage degree are realized, and the results indicate that the RBF neural network is more advantage than the BP network to algorithm for small sample.

Radial Basis Function(RBF) neural network, Back Propagation(BP)neural network, pipe, damage identification

2017-10-04

馬燚(1980- )，男，碩士,高級工程師

1009-6825(2017)35-0022-03

U177

A