基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)的橋梁損傷位置識(shí)別

皇鵬飛　高士武　楊曉林

摘要：針對(duì)橋梁健康安全監(jiān)測(cè)中的損傷位置識(shí)別準(zhǔn)確率不佳的問(wèn)題，文章提出一種基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型（CL-EANNM）的橋梁損傷位置識(shí)別方法。通過(guò)MATLAB軟件對(duì)不同損傷工況條件下的簡(jiǎn)支梁結(jié)構(gòu)振動(dòng)響應(yīng)進(jìn)行數(shù)值模擬，利用CL-EANNM挖掘測(cè)點(diǎn)加速度信號(hào)數(shù)據(jù)集中有效的損傷位置特征，并測(cè)試該方法識(shí)別損傷位置準(zhǔn)確率。結(jié)果表明：CL-EANNM識(shí)別簡(jiǎn)支梁結(jié)構(gòu)損傷位置體現(xiàn)出良好的效果。該方法的現(xiàn)階段成果為橋梁健康監(jiān)測(cè)中損傷位置識(shí)別準(zhǔn)確率優(yōu)化問(wèn)題提供了新的研究思路。

Abstract： Aiming at the problem of poor accuracy of damage locations recognition in bridge health monitoring， a bridge damage location identification method based on the CNN-LSTM embedded architecture neural network model （CL-EANNM） was proposed in this paper， and the vibration response of the simple-supported beam structure under different damage conditions was simulated through MATLAB software platform. CL-EANNM was employed to extract the effective damage location features from the acceleration signal data sets of measuring points， and the accuracy of this method was tested to identify the damage locations. The results show that CL-EANNM has a good effect on identifying the damage locations of simple-supported beam structure. The preparatory results of this method can provide a new research idea for the optimization of the accuracy of damage location identification in bridge health monitoring.

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);長(zhǎng)短期記憶網(wǎng)絡(luò);CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò);損傷位置識(shí)別

Key words： Convolutional Neural Network;Long Short-Term Memory;CNN-LSTM Embedded Architecture Neural Network;damage location identification

中圖分類號(hào)：U446? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）05-0236-02

0? 引言

近期橋梁安全事故頻頻發(fā)生，橋梁結(jié)構(gòu)健康安全監(jiān)測(cè)任務(wù)在橋梁正常運(yùn)營(yíng)過(guò)程中扮演著尤為重要的角色。現(xiàn)階段結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)已被投入應(yīng)用到各大橋梁工程[1]。文章基于深度學(xué)習(xí)原理，結(jié)合CNN[2]和LSTM[3]各自優(yōu)勢(shì)，提出一種基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型的橋梁損傷位置識(shí)別方法，通過(guò)實(shí)驗(yàn)驗(yàn)證，證明該方法能自動(dòng)特征提取橋梁結(jié)構(gòu)損傷位置特征，并對(duì)損傷位置進(jìn)行準(zhǔn)確識(shí)別。

1? CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型（CL-EANNM）

原始樣本數(shù)據(jù)先經(jīng)過(guò)CNN的四次卷積處理和兩次池化處理得到樣本特征，將樣本特征輸入進(jìn)LSTM網(wǎng)絡(luò)，通過(guò)LSTM網(wǎng)絡(luò)內(nèi)部核心結(jié)構(gòu)中特有的遺忘門(mén)（Forget Gate，F(xiàn)G）和記憶單元（Memory Cell）進(jìn)行特征分類，進(jìn)而對(duì)損傷進(jìn)行預(yù)測(cè)，如圖1所示。

2? 實(shí)驗(yàn)驗(yàn)證

為檢驗(yàn)并證明文章所提出方法的有效性，通過(guò)設(shè)計(jì)簡(jiǎn)支梁的數(shù)值模擬實(shí)驗(yàn)進(jìn)行數(shù)據(jù)采集，并利用CL-EANNM進(jìn)行損傷識(shí)別。利用MATLAB軟件設(shè)定有限元模型為等分10個(gè)大單元（微分500個(gè)小單元）的簡(jiǎn)支梁（E=2.06×1011Pa，ρ=7900kg/m3）模型如圖2所示。每個(gè)大單元中心區(qū)域的6個(gè)微單元SiUj、SiUj+1、 SiUj+2、 SiUj+3、SiUj+4、SiUj+5（大單元號(hào)i=1，2，…，9，10;微單元號(hào)j=1，2，…500，）的損傷程度設(shè)計(jì)成五個(gè)標(biāo)準(zhǔn)：D1、D2、D3、D4、D5，如表1損傷等級(jí)標(biāo)準(zhǔn)，表2損傷工況。

采用Newmark方法[4]利用Matlab軟件將連續(xù)移動(dòng)沖擊荷載激勵(lì)的動(dòng)力輸入作為模擬勻速行駛的車(chē)輛對(duì)橋梁路面的激勵(lì)作用， 其大小為500KN，求解結(jié)構(gòu)的動(dòng)力響應(yīng)，并獲取2號(hào)至10號(hào)節(jié)點(diǎn)的垂直加速度。

為了將損傷裂紋與剛度折減更好的等效，文章利用等效單元?jiǎng)偠冉档湍Ｐ停╡quivalent element stiffness reduction model，EESRM）[5]來(lái)設(shè)計(jì)10%、20%、30%、40%、50%的剛度損傷（0.1I0、0.2I0、0.3I0、0.4I0、0.5I0）裂縫，如公式（1）所示。

3? CL-EANNM訓(xùn)練與損傷識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練通過(guò)CNN隱藏層中的卷積網(wǎng)絡(luò)層、池化網(wǎng)絡(luò)層、BN網(wǎng)絡(luò)層等網(wǎng)絡(luò)層對(duì)樣本數(shù)據(jù)進(jìn)行特征提取處理。CNN具體的訓(xùn)練參數(shù)為：4個(gè)卷積層，2層長(zhǎng)度為1024的一維卷積核，每層16個(gè)，其余2層為長(zhǎng)度是256的一維卷積核，每層8個(gè);為加快學(xué)習(xí)速度，步長(zhǎng)取2。兩個(gè)2×2步長(zhǎng)為2的池化層，4個(gè)BN層加速收斂、提高泛化能力。編譯時(shí)設(shè)置優(yōu)化函數(shù)為RMSprop，學(xué)習(xí)率為0.0005，經(jīng)過(guò)500次充分迭代訓(xùn)練后，損失值不再下降，則認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成，保存最優(yōu)模型，提取卷積神經(jīng)網(wǎng)絡(luò)提取的數(shù)據(jù)樣本特征向量CONV，并作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型采用三層LSTM網(wǎng)絡(luò)層、一層Dense網(wǎng)絡(luò)層，優(yōu)化函數(shù)選用RMSprop，LSTM記憶細(xì)胞中層間激活函數(shù)選用sigmoid函數(shù)函數(shù)，全連接層分類函數(shù)選用linear函數(shù)。網(wǎng)絡(luò)訓(xùn)練采用的學(xué)習(xí)率為0.01，按照損失率的大小，自動(dòng)調(diào)節(jié)學(xué)習(xí)率的大小，直至得到最優(yōu)權(quán)重后，停止訓(xùn)練，并保存最優(yōu)權(quán)重，完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，可以進(jìn)行下一步的損傷識(shí)別，通過(guò)測(cè)試模型的準(zhǔn)確率，評(píng)估模型的泛化能力，如圖3，圖4。

4? 結(jié)果分析

根據(jù)圖3顯示，不難發(fā)現(xiàn)該方法對(duì)實(shí)驗(yàn)中各損傷工況的損傷位置都能達(dá)到準(zhǔn)確識(shí)別的效果，且識(shí)別的準(zhǔn)確率均隨損傷程度等級(jí)的增加而提高，最高準(zhǔn)確率可達(dá)到92.37%。另外將對(duì)稱雙區(qū)域損傷位置識(shí)別效果與不對(duì)稱雙區(qū)域損傷位置識(shí)別效果進(jìn)行對(duì)比分析如圖4所示，可知不對(duì)稱雙區(qū)域的損傷位置識(shí)別準(zhǔn)確率要遠(yuǎn)遠(yuǎn)高于對(duì)稱雙區(qū)域損傷位置識(shí)別的準(zhǔn)確率。根據(jù)以上結(jié)果分析，可見(jiàn)基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)支橋梁損傷位置定位方法有較大的潛在應(yīng)用可能性。

5? 結(jié)語(yǔ)

文章結(jié)合深度學(xué)習(xí)中CNN和LSTM各自優(yōu)勢(shì)，提出基于CL-EANNM架構(gòu)神經(jīng)網(wǎng)絡(luò)橋梁損傷位置識(shí)別方法，文章當(dāng)前的研究結(jié)果能夠表明該方法從采集到最原始的速度信號(hào)數(shù)據(jù)集中進(jìn)行自動(dòng)提取簡(jiǎn)支梁橋的損傷位置特征，并能對(duì)損傷位置進(jìn)行準(zhǔn)確識(shí)別定位，為橋梁損傷識(shí)別方法研究提供了新思路。

參考文獻(xiàn)：

[1]馬宏偉，聶振華.橋梁安全監(jiān)測(cè)最新研究進(jìn)展與思考[J].力學(xué)與實(shí)踐，2015，37（2）：161-170.

[2]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（06）：1229-1251.

[3]張志豪，楊文忠，袁婷婷，等.基于LSTM神經(jīng)網(wǎng)絡(luò)模型的交通事故預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（14）：249-253，259.

[4]方秦.隱式Newmark法分析波動(dòng)問(wèn)題精度的探討[J].爆炸與沖擊，1992（01）：45-53.

[5]Ze Peng Chen， Ling Yu .Structural damage detection based on crack damage function and equivalent damage factor vector [C]. The 7th World Conference on Structural Control and Monitoring， 2018.