基于BP神經網絡的橋梁拉索損傷磁漏檢測

(重慶交通大學 重慶 400074)

引言

我國現已建大量的斜拉橋和懸索橋，僅近 10 年內就有超過 20 余座跨徑 400 m 以上的斜拉橋相繼建成，更有一批跨徑處于世界前列的斜拉橋在建設或籌建中。纜索結構體系是大跨徑橋梁的主要承重構件，其安全性和耐久性對橋梁的正常使用和整體安全是極為重要的。由于纜索結構體系是纜索承重橋梁的生命線，一旦因耐久性和安全性不足出現病害與劣化，其承接能力喪失會導致公路橋梁垮塌的惡性事故，造成惡劣的社會影響和巨大的經濟損失。目前已建成且在運營中的多座橋梁已發生過大的振動、嚴重的銹蝕或斷索事故，如廣州海印大橋斷索，重慶綦江彩虹橋整體垮塌，四川宜賓小南門大橋吊桿斷裂等。還有一些橋梁已全橋換索或正準備換索，如濟南黃河橋、四川犍為橋、上海恒豐路斜拉橋、廣東九江大橋、云南三達地橋等等。橋梁纜索體系耐久性和安全性不足的問題已引起橋梁工程界的高度關注，并積極在探索研究解決之中。如何監測和評價斜拉橋拉索和吊索(桿)的安全性、耐久性，已成為主管部門和工程技術人員十分關注的問題。拉索體系的損傷主要有銹蝕、疲勞斷絲、滑絲和斷裂等幾種，對它們的檢測與監測的技術也主要是針對上述損傷形式開展的。

一、磁漏檢測系統

磁漏檢測法無損檢測對于構件銹蝕、裂紋等缺陷的檢測其方法日趨成熟，在眾多的無損檢測方法中磁檢測原理是最佳的無損檢測方法之一。而磁漏法是無損檢測的主要手段，它通過測量被磁化的拉索表面泄露的磁場強度來判定缺陷的大小。一旦拉索的表面有損傷或斷絲，一部分磁場將從拉索中泄露出來，這一外泄的磁場可被傳感器檢測。當拉索遇到里面或內部缺陷產生的材料間斷時，磁力線將會發生聚集(畸變)，從而引起可被檢測的磁漏或磁場變化。目前此方法廣泛應用于鋼筋混凝土結構的鋼筋定位檢測和鋼絲繩的檢測。

本文采用磁漏檢測指數進行BP神經網絡算法的分析。

二、BP神經網絡模型

(一)BP神經網絡概述

橋梁拉索的磁漏檢測會產生大量數據，由于橋梁拉索預存缺陷，這樣大的數據對比是一項浩大工程，采用神經網絡算法可以比較少的變量元將數據進行分類。本文將BP神經網絡算法引入磁漏檢測中來對磁漏值設置門閾值,在這里將磁漏檢測偏離正常磁場值的離差作為橋梁拉索應力損傷信號的特征值。

(二)BP神經網絡構建

BP算法由輸入層Lx→隱含層Lz→輸出層Ly3大部分構成。其中，輸入層和輸出層 各一層,而隱含層可以擴展到多層。不同層的神經元之間可以全連接，同一層的神經元之間無連接。輸入信號經 BP神經網絡作用函數后,最后得到輸出信號。

圖1 神經網絡算法層

(1)最開始，為Lx與Lz的連接權值vik，Lz與Ly的連接權值wkj以及Lz的閾值φk，Ly的閾值γj賦值，從[-1,1]中取任意一個值。

(2)每個模式對(Xh,Yh)(h=1,2,…,m)，進行下列操作：

前向傳播：

a)將Xk的值送到Lx層的安源，再將Lx單元激活值xi通過連接矩陣V送到Lz層單元，然后產生Lz層單元新的激活值：

b)同理計算出Ly單元的激活值：

c)計算Ly層輸出層單元的一般化誤差：

反向傳播：

d)計算Lz層單元相對于每個Ly層輸出層的一般化誤差的誤差：

其中ek代表Ly層的誤差逆傳播到Lz層。

e)調整Lz層單元到Ly層單元的連接權Δwkj=αzkdj,k=1,2,…,q且j=1,2,…,m，其中α為學習率，且0<α<1。并調整Ly層單元的閾值：Δj=αdj,j=1,2,…,m。

f)調整Lx層單元到Lz層單元的連接權ΔVik=βaiek,i=1,2,…,n,k=1,2,…,q，其中β為學習率，且0<β<1。并調整Lz層的閾值：Δk=βek,k=1,2,…,q。

(3)重復步驟(2)直到誤差d變得足夠小為止。

(三)BP神經網絡結構總結

綜上，BP神經網絡使用的方法分為兩個階段。在第一個 階段,即 a)b)c)階段,運用給定的Ak的值,結合連接權值和閾值求得激活值。在 d)e)f)g)h)階段,也就是第二階段,根據最終輸出誤差反向對各層連接權值進行修正,直到整個網絡的誤差的均方趨向于設定的最小值。

三、BP神經網絡在磁漏檢測法中的應用

磁漏檢測法主要檢測鋼絲繩磁化回路中主磁通變化,判斷腐蝕銹蝕等引起鋼絲繩橫截面重金屬界面總合變化的缺陷,采用此方法比目測法更加的精準，并且檢測也相對容易，但其檢測的磁場數據是一個相對的數據,要根據與其 他數據的對比才能判斷出當前位置是否有缺陷，于是使用BP神經網絡算法來處理數據。數據分為兩類，一類為專門用于訓練神經網絡的訓練數據，另一類為測試神經網絡模型參數的測試數據。

(一)數據采集與清洗

采集5000組磁漏檢測數據，每組數據包含1米橋拉索的磁漏檢測數據，其中拉索腐蝕程度分以下等級：

表2橋拉索腐蝕程度等級表

用此5000組數據對神經網絡進行訓練，選取30組其他磁漏檢測數據用神經網絡進行預測橋拉索缺陷損壞程度，再與真實缺陷損壞檢測數據進行對比，檢測神經網絡的訓練效果。

對數據中每組數據求組內方差，對方差特別大的組進行排查，發現其異常值后，可采用刪除或者插補等方法來簡單清洗數據。

(二)神經網絡的訓練與測試

經過實驗，BP神經網絡通過5000組數據進行前向傳播和誤差反向傳播訓練確定了各神經元的權值和閾值。再將準備的30組測試數據作為輸入層單元進行神經網絡的測試,輸出結果的值則歸為離輸出值最近的一個等級，例如0.7歸為“1”等級。

表2 5000組訓練數據與測試數據

經過計算，神經網絡測試后的30組數據經過神經網絡計算后，有5組出現了錯誤，計算出神經網絡的準確率為83.33%。

綜上所述,通過橋拉索磁漏檢測數據對BP神經網絡的訓練,其得到的模型可以檢測橋拉索存在的的缺陷損傷程度，并且由于其損傷程度等級較多，神經網絡輸出分類等級的時候存在誤差，但從圖中可以看出，其分類出現誤差，但都與原等級相近。

圖2 測試數據與原始數據對比

四、結論與展望

在本文利用BP神經網絡對磁漏檢測數據進行訓練與測試的結果中，準確率高達83.33%，并且非準確值與原始值的離差并不大。結論認為，可以通過磁漏檢測數據對BP神經網絡的訓練，讓訓練后權值與閾值的神經網絡來判斷橋拉索的損傷程度等級。

由于神經網絡相對于支持向量機等算法不會產生更多的變量，所以神經網絡在數據預測評估等領域，特別是對大容量的數組數據分析，有得天獨厚的優勢和發展前景。