基于一種高精度卷積神經網絡的框架結構模型故障診斷研究*

蔡超志 池耀磊 郭璐彬

(河北工程大學機械與裝備工程學院，河北 邯鄲 056038)

框架結構在使用過程中會由于螺栓松動、受力不均勻和材料疲勞以及氧化而發生故障，導致框架崩塌引起重大工程事故，給人們的生命財產安全帶來不可估量的損失。因此，提出合適的故障診斷方法對框架結構進行精確的故障診斷，提前預測框架結構的健康運行狀態具有重大的科學和實際工程意義。

傳統的故障診斷方法有傅里葉變換、小波變換和經驗法等。傳統的故障診斷方法在面向故障內容復雜、數據量較多及有噪聲干擾的對象時，診斷性能會下降，甚至不能夠進行精確的故障診斷。隨著人工智能的不斷發展，深度學習理論被廣泛地應用于信號分類和圖像識別，由此衍生出各種各樣的卷積神經網絡，其中1DCNN[1](one dimensional convolution neural network)、VGG-net[2]、Rest-net[3]、Inception[4,7]被諸多研究者經過變換維度、改變深度、改變卷積核大小等，將它們用于各個領域進行故障診斷和信息分類[5]。Abdeljaber O等人[6]運用1DCNNs(one dimensional convolution neural networks)對樓體模型框架結構進行了故障診斷研究，得到了隨著損傷情況不斷增加損傷率也不斷增加的診斷結果，但由于使用的1DCNN卷積層數較少而且卷積核大小每層均相同導致網絡模型泛化能力較差，得到的結果誤差較大。另外，張偉[8]通過對VGG-net進行增大第一個卷積層卷積核寬度、將Dropout加在卷積層、逐層BN(batch normalization)等，提出了抗噪聲能力較強的WDCNN，隨后，在WDCNN的基礎上調整了第一個卷積層的卷積步長，得到了抗噪聲能力更強的TICNN[9]，并將其用于軸承故障診斷，診斷率高達100%。但將TICNN用于框架結構故障診斷時由于相鄰的損傷情況數據類似，而導致分類精度下降，且抗噪聲能力也有所下降。

為了提高TICNN對框架結構的診斷精度和抗噪聲能力，本研究在TICNN的基礎上，將輸入數據長度減短，并對卷積層數目進行了深化和一系列參數調整，提出了適用于框架結構故障診斷的抗噪聲能力強的卷積神經網絡模型ITICNN(improving convolution neural networks with training interference)，并運用ITICNN對數據來源于不列顛哥倫比亞大學地震實驗室的4層樓體結構框架[10]進行了故障診斷，得到了未損壞情況下損傷率為0%，完全損傷情況下損傷率為100%的精確診斷結果。

1 框架結構介紹

本文所研究的模型是不列顛哥倫比亞大學建造的4層鋼結構框架[6]，分為東南西北4個面，每個面上結構分布都一樣，相同位置用同樣的編碼。在鋼結構模型上放置了15個加速度傳感器，框架結構和加速度傳感器擺放位置如圖1所示，其中黑色方塊表示加速度傳感器。

本框架結構共模擬了9種損傷情況,如表1所示。

表1 損傷情況對應破壞位置

2 框架結構損傷與檢測

使用多個二分類代替多分類的方式對計算機配置要求較低，而且訓練速度快并且具有較高的準確率?；诙诸惖膬炘叫员疚氖褂玫墓收显\斷流程如圖2所示。

(1)采集每個加速度傳感器的振動信號。加速度傳感器在完好情況下所測得的信號記作U，在損壞情況下測得的信號記作D，j為加速度傳感器編號j=(1～15)

(1)

(2)由于實驗所提供的數據數量并不多，所以要使用數據增強來獲取更多的樣本而且使每個樣本的大小一致，即在訓練過程中使用相同大小的數據組及進行訓練。

(2)

式中:Kij為第i種損傷情況下第j個加速度傳感器的源信號長度。裁剪片段窗口長度為1 024，b為步長。由于源數據中K(i=1～5)j=2.4 萬個數據點、K(i=6)j=6 萬個數據點、K(i=7～9)j=7.2 萬個數據點，所以情況1～5下的步長為24，情況7～9下的步長為72，情況6采取步長為60使數據片段均為958。

(3)將每種情況的958個信號片段在-1和1之間歸一化，用UNj表示歸一化的結果為：

(3)

(4)數據集的劃分，經過剪片和歸一化后，將UNj和DNj進行混合用于訓練第j個網絡。每個網絡對應的訓練樣為958×2=1 916個。

(5)用保存的第j個訓練好的模型，對第j個加速度傳感器在情況i下的數據片段進行分類。求取出損壞片段占整個信號片段的比率Podij值，用第i種情況下所有Podij值的均值大小來表達第i種損傷情況，值越大說明損傷就越嚴重。Podij的計算如式(4)所示，計算流程如圖3所示。

(4)

3 改進的TICNN

卷積層的感受視野越廣，卷積層的特征提取能力越強，本文在TICNN的基礎上，將TICNN第一個卷積層的輸入調整為1 024，核大小改為128，步長為2，通道仍為16，導致第一卷積層的感受視野縮減了一半，因此在第一卷積層后添加核大小為64，步長為2，32通道的中間過渡層從而使整體網絡的感受視野回歸到TICNN的水平。另外，由于使感受視野水平提升的同時也增加了網絡參數量，因此網絡最后將小卷積層增加到5層，從而保留TICNN最后4層小卷積層提高網絡的抗干擾的能力。由于Dropout放在卷積層的抑制擬合能力并不明顯，所以將Dropout添加到全連接層抑制過擬合現象的發生。改進后的TICNN卷積過程圖如圖4所示。

圖4中C代表長度、T代表通道數、G代表好的一類、B代表壞的一類，在改進的TICNN中每個池化層后使用BN操作，BN層將數據進行標準化操作，使網絡識別能力增強。

3.1 ITICNN算法流程圖

一維卷積神經網絡的卷積過程，只需按照一定的步長依次向下遍歷整個輸入，第一層卷積的感受野即為第一個卷積核的長度，ITICNN算法流程圖如圖5所示。

卷積層定義如下所示：

(5)

3.2 神經網絡的超參設計

如圖3所示，在將卷積層展平后使用Dropout參數為0.5，每一層池化層后使用BN處理，每一層的具體參數如表3所示。

表3 改進后的TICNN參數

3.3 模型訓練結果

為了展現ITICNN訓練的結果，以加速度傳感器13的訓練結果為例，訓練批次為150次，準確率和目標函數值如圖6所示。

在圖7中訓練批次達到30就接近于穩定值，訓練40次最終穩定在100%，同時目標函數值下將的速度非?？欤柧毰芜_到30左右，目標函數值就趨于穩定。訓練批次達到100后訓練和測試的目標函數曲線重合，訓練次數達到120目標函數值降到10-5級別。

3.4 混淆矩陣分析

混淆矩陣又稱為誤差矩陣，在卷積神經網絡的訓練中常常使用混淆矩陣里的參數來計算網絡的正確率、召回率。本文選擇第13個加速度傳感器所匹配的卷積神經網絡，所得到的混淆矩陣如圖7所示。

從圖7混淆矩陣中可以得出正確率為100%，召回率同樣為100%，由此可得出診斷結果可信度較高的結論。同時說明使用二分類的方式進行故障診斷時獲得正確率較高。

3.5 抗噪性對比

運用1DCNN(Avci O等人[10]使用的1DCNN)與WDCNN、TICNN和ITICNN進行抗噪聲能力對比實驗。將加速度傳感器14的完好和損壞信號訓練完后保存模型，使用保存的模型去給添加不同噪聲且已知標簽的信號進行分類，根據輸出混淆矩陣計算出正確率加以比較。信噪比定義如下：

(6)

其中：SNR為信噪比，Sigpower為信號功率，noisepower為噪聲功率，將信噪比改成單位是dB形式，如下所示：

SNRdB=10logSNR

(7)

對比結果如圖8所示。

從圖8中可以看出，ITICNN抗噪聲能力要強于TICNN約3%～4%，TICNN的抗噪聲能力大于WDCNN28%～30%，同時ITICNN強于1DCNN30%～32%。經過對比ITICNN和沒有Dropout和沒有BN的改進TICNN網絡模型，可以明顯地看出失去Dropout層后模型抗噪聲能力會下降20%～25%，失去BN層后正確率下降30%～35%。由此可以得出BN層是提高改進后TICNN抗噪聲能力的關鍵。另外，在第一個大卷積層和第二個卷積層之間添加Dropout層可以提高模型的抗噪聲能力。

4 診斷結果

用保存ITICNN訓練模型依次對對應的加速度傳感器在各個損傷情況下的數據片段進行二分類，并計算出Podij值、Podij值和平均值如表4所示。

表4 診斷結果百分比 %

從表4中可以看出加速度傳感器4、5、6、8、9、13在情況1～6下的振動信號變化不大，并且其他情況下均有損傷率相等的情況，因此使用單個加速度傳感器的不同損傷率來判斷框架結構的損傷情況行不通。從平均值的變化可以看出，隨著模型損壞程度的增加，平均值也在增加，而且各個平均值之間均有一定的差值，由此可以根據平均值的不同對故障類型做出明確判斷。將表中4～15數據繪制成如圖9所示。

在圖9中1DCNN結果為2018年 Abdeljaber O等人運用3.7節中所述1DCNN模型進行故障診斷得出。從損傷情況1(未損傷)可以看出使用ITICNN將信號片段全部判斷成未損傷一類，并將情況8判斷成全部損傷。而1DCNN則將情況1判斷出存在損傷情況，情況8存在未損傷片段，由此可以看出ITICNN的分類能力較強，而1DCNN的診斷結果存在較大的誤差。使用ITICNN診斷的結果中各個情況的損傷率相差較大，并且情況8和9的差別達到5.66%，從而可以將情況8和9做出明確判斷。另一方面，由于ITICNN的抗噪性較強，由此在-4 dB噪聲情況下可以將情況8、9做出可靠度為80%的分類結果，并對各種損傷情況做出明確判斷。

5 結語

本研究通過對TICNN進行改造提高了其抗噪聲能力與網絡識別能力。使用二分類對框架結構進行故障診斷的方法得到了理想的結果。運用各個加速度傳感器中損壞片段占總數量比例的平均值與損傷情況進行對應達到了對4層樓體模型的故障診斷實時監測的目的。通過對比研究，使用ITICNN將情況1判斷為損傷率為0%，以及情況8判斷為損傷率100%，各個損傷情況之間的差值較大，隨著損傷情況越來越嚴重損傷片段比重也越來越大，由此表明改進的TICNN對框架結構可以進行有效地故障診斷，并且診斷結果更加準確。