應用時間序列和神經網絡的筒倉結構損傷診斷

王 亞 東

(中南電力設計院有限公司,湖北 武漢 430071)

筒倉結構作為工業中常見的儲藏結構，因其封閉性導致結構內部損傷用觀察法幾乎無法發現，隨著損傷的積累，結構一旦發生破壞會造成嚴重的人身財產損失。過去幾十年來，各國學者已經對結構損傷檢測與智能診斷進行了大量的研究工作，但在實際工程應用中，很多檢測方法都遇到系統易受環境影響、模型依賴性強、系統容錯性差等問題的困擾[1]。神經網絡診斷法與傳統的專家診斷法相比，具有良好的非線性映射能力，強大的解決反問題的能力和推廣能力以及良好的系統魯棒性[2-4]。本文采用結合時間序列和神經網絡的方法對筒倉結構進行損傷診斷具有一定的理論和實際意義，同時能為今后的工程實踐提供參考。

1 基于時間序列和神經網絡診斷的基本原理

時間序列是按時間排列一組隨機數列，這組時間序列具有一定的統計規律[5-7]。在結構損傷診斷過程中，對結構施加動力振動荷載，準確得到結構特定位置的振動信號，將信號利用時間序列建模尋找各信號之間的內在規律，可以充分反映出結構自身特性的某些信息[8-10]。利用結構自身某些特征來訓練神經網絡，當這個特征發生變化時，神經網絡就能找出符合其規律變化的原因，即找出結構的損傷。

損傷診斷中關鍵的一環是損傷敏感因子(DSF)的選取，合適的敏感因子會大大減少訓練時間。本文采用如下損傷敏感因子：

DSF={T,dsf1,…,dsfi,…,dsfn}

dsfi={φ1i,φ2i,φ3i,φ4i},i=1,2,…,n,

(1)

其中，T為筒倉結構基本自振周期；{φ1i,φ2i,φ3i,φ4i}為對i節點的加速度時程響應進行時間序列建模，并提取前四階自回歸系數。

2 筒倉模型數值驗證

2.1 筒倉結構有限元模型

本文采用SAP2000有限元軟件來進行筒倉結構的有限元模型建立。有限元模型參數設置如表1所示。

筒倉底部連接方式為固接。整個模型總共60個節點，60個截面，節點和截面編號如圖1所示。

2.2 結構激勵的輸入和損傷的定義

結構的動力激勵采用高斯白噪聲。采樣頻率100 Hz，長度20 s，激勵方向沿x軸方向。筒倉的損傷通過減小某個截面的壁厚來模擬。第一層損傷定義為面1,2,9,10的厚度減小，其他各層以此類推。

表1 未損傷時模型前四階自回歸系數

2.3 未損傷狀態

根據上述理論，提取每層各一個節點的x向的加速度時程響應的數據建立時間序列模型。

關鍵節點的模型階數和自回歸系數如表2所示。

表2 未損傷時模型前四階自回歸系數

通過SAP2000模態分析，可以得到未損傷情況下，結構的基本周期為0.081 s。綜上，結構在未損傷情況下，損傷敏感因子為：

DSFfine={T,φ4i,φ22i,φ32i,φ42i,φ52i}=
{0.080 89,0.640,1.163,0.690 7,1.115,0.085 28,
1.587,1.147,1.498,1.095,1.783,1.693,1.624,1.335,
1.998,2.197,2.009,1.573,2.359,2.744,2.675}

(2)

2.4 單損傷情況診斷

2.4.1單損傷位置診斷

訓練工況為每層選定的截面厚度依次變為150 mm，175 mm，200 mm，共15種訓練工況。采用與未損傷狀態下提取DSF一樣的步驟，提取訓練和檢驗工況下的DSF。

檢驗工況見表3。

表3 單損傷檢驗工況

得到上述工況的DSF之后，建立一個三層BP神經網絡。以提取出的DSFi作為輸入向量；每行對應一層分層，因此目標輸出向量為一個5行向量，如果某層發生結構損傷，則該層輸出為1，其余層輸出為0。在實際診斷過程中，輸出大于0.9則認為發生了損傷，輸出小于0.2則認為未發生損傷。利用訓練工況和目標輸出訓練這個BP網絡。再用這個網絡對表3中無噪聲情況的7種工況的損傷位置進行診斷。診斷結果見表4。

表4 單損傷無噪聲情況下位置診斷結果

從表4可以看出網絡對損傷位置的診斷結果非常精確，診斷誤差都很小。

2.4.2單損傷程度診斷

損傷程度的診斷原理與位置診斷的原理相同，仍采用上文提出的損傷敏感因子對神經網絡進行訓練。損傷程度的定義為筒倉壁厚的改變的比例：

其中，df為損傷前倉壁厚；dd為損傷后倉壁厚。

以第二層發生損傷為例，神經網絡采用徑向基神經網絡(RBF網絡)。以二層截面厚度為140 mm,150 mm,180 mm,200 mm,250 mm為訓練樣本。RBF網絡徑向基擴展速度設置為Spread=1.2。

檢驗工況及診斷結果見表5。

表5 單損傷程度檢驗工況診斷結果

由表5可以看出，使用RBF網絡對筒倉結構的損傷程度判斷非常準確。診斷誤差最大0.94%，最小0.08%。

3 結語

1)應用時間序列和神經網絡的診斷方法能夠有效地診斷筒倉結構的損傷位置和損傷程度，且診斷的精度較高。

2)利用結構中某點的加速度作為時間序列的樣本，加速度時程易于實際工程中提取。

3)神經網絡的訓練樣本越多，診斷精度越高。

4)本文只驗證了筒倉結構單層損傷的情況，對于多層損傷以及在噪聲干擾的情況下，損傷診斷的精度仍需研究。