基于M1DCNN-BiLSTM在鋁合金桁架結構健康監測的應用研究

王二成,肖俊偉,李家豪,李彥蒼,張子奇,李格格

(1.河北工程大學 土木工程學院, 河北 邯鄲 056038;2.河北省裝配式結構技術創新中心, 河北 邯鄲 056038)

0 引言

桁架因易安裝、質量輕、耗材量小等特點,廣泛應用于橋梁、體育館等基礎設施。然而,它易受外界環境的影響,導致性能下降,發生損傷。為確保桁架結構的安全運行,結構健康監測(structural health monitoring,SHM)技術通過分析結構的動力響應數據,為結構提供定期的“體檢”,以避免結構發生災難性損壞。SHM可最大限度地評估結構的健康狀況,延長其使用年限,并為結構的安全可持續發展提供技術支持[1-2]。

傳統的結構檢測方法主要包括目視檢查和無損檢測技術。無損檢測技術利用超聲波、X射線、聲發射等物理信號來探測結構內部,發現潛在的損傷。然而,這些方法存在各種局限,難以實現全局連續監測[3-4]。為全面評估結構的整體狀況,基于振動響應的SHM方法應運而生。該方法可實現對結構整體狀況的在線識別和評估[5-6]。SHM及其中的結構損傷識別方法,是實現工程結構安全監測的關鍵技術手段。

隨著大數據時代人工智能的快速發展,深度神經網絡及其應用在近年來取得了顯著的成果[7-9],其中卷積神經網絡(convolutional neural network,CNN)直接從振動信號獲取最佳特征,為SHM開拓新方向?；贑NN的SHM方法已在實際工程中得到廣泛應用。Osama等[10]利用原始振動數據訓練1DCNN,證明其是有效的基于振動的SHM工具。Zhang等[11]利用CNN融合三維鋼橋的加速度和應變信號,多種數據融合明顯優于單一數據,證明了其實用性。張健飛等[12]針對懸臂梁裂縫損傷提出基于多頭自注意力的CNN模型。相比傳統的CNN模型,該模型具有更好的識別精度和抗噪性能。楊淵等[13]利用1DCNN自動提取鋼桁架結構加速度時程響應特征,進行分類和損傷識別。Smriti等[14]提出基于1DCNN的鋼框架損傷位置和損傷程度的損傷檢測方法,能有效地檢測結構連接處的損傷。Teng等[15]將多個傳感器信號輸入到1DCNN中進行特征提取來檢測結構損傷,相較于單一傳感器的方法有更好的性能。上述CNN在一定程度上能提取結構動力響應中的特征信息,但其固有的卷積和池化操作會丟失一些時序信息,使網絡難以充分挖掘結構損傷的時空深層次特征。相比之下,多尺度卷積(multiscale convolutional neural networks,MSCNN)通過引入不同感受野的卷積核,能同時學習不同時空范圍內的局部特征,解決了傳統CNN無法充分提取時空特征的局限性。文獻[16-19]證明了相較于單一尺度CNN,MSCNN具有更好的損傷識別精度和泛化性能。此外,雙向長短期記憶(bidirectionallong short-term memory,BiLSTM)擅長處理時序信息,可在時序上深度挖掘特征之間的關聯,進一步提升網絡的性能。將MSCNN和BiLSTM兩者相互結合,實現了各自優勢的互補,使網絡能夠更有效地提取不同類型的損傷特征[20]。

現有結構損傷檢測研究,1DCNN在提取時空特征方面存在局限性,而BiLSTM難以充分學習多尺度信息。為彌補它們的不足,提出一種基于M1DCNN-BiLSTM模型,旨在提升結構損傷診斷的精度和可靠性,以適用于鋁合金桁架結構剛度損傷識別任務。該模型將多尺度空間特征和時序信息進行有效融合,可顯著提高損傷檢測的準確性、魯棒性和泛化能力,為結構設計和維護提供有力的支持。

1 模型構建及數據處理

1.1 M1DCNN與BiLSTM有機融合

M1DCNN通過引入不同感受野的卷積核,在同一空間中提取多種特征,從而降低網絡的復雜度,增強特征的多樣性和表達能力。為有效地融合不同時空尺度下的特征,將M1DCNN的特征和BiLSTM的序列特征有機地結合,能更好地提取和利用不同時空尺度下的信息,以形成更全面準確的結構健康SHM特征。

1.2 M1DCNN-BiLSTM架構

提出一種基于M1DCNN-BiLSTM聯合模型的特征提取方法,旨在從振動信號中提取更多的時空特征信息,以提高損傷識別性能。首先,采用大卷積核進行特征篩選,用于提取信號中的全局特征;用多尺度特征提取層提取信號中更為細膩的特征,將不同尺度的特征融合,形成對空間特征的多粒度抽象表示;再經BiLSTM層進行時序信息提取,使網絡更好地建模時間序列的深層特征。為關注全局關鍵特征,還采用全局平均池化來降維和整合信息,最后通過Softmax分類或回歸得出損傷識別位置或損傷程度。網絡結構如圖1所示。

圖1 M1DCNN-BiLSTM網絡結構

為說明該模型結合M1DCNN與BiLSTM的優勢,將其分別與1DCNN、M1DCNN、M1DCNN-LSTM相比較,參數如表1所示。

表1 各模型結構參數

1.3 數據預處理

數據標準化使每個測點信號具有相同范圍,有利于模型的訓練和預測過程。標準化后,信號的范圍被映射到[-1,1]區間內。然而,在損傷識別任務中,單純的標準化并不能充分區分不同桿件損傷樣本之間的差異,為了提升損傷識別性能,提出了一種創新的加速度差值預處理方法。該方法的核心思想是將各桿件損傷后的加速度響應值減去其相應無損狀態下的加速度響應值。這種預處理方式能更加突出損傷后信號中的變化部分,從而更有效地提取損傷狀態下的特征,可更準確地反映結構的健康狀態。其公式如下所示。

acc′=accdamage-accundamaged

(1)

式中:accdamage為有損加速度響應;accundamaged為無損加速度響應;acc′為損傷信號與無損信號的差值。這樣處理使得損傷信號中僅包含了與損傷相關的信息,有助于模型更敏銳地識別出結構的損傷特征。

2 桁架數值模擬損傷分析與結果

2.1 鋁合金桁架剛度損傷數值模擬

為了驗證所提模型在桁架結構中對剛度損傷檢測的有效性,進行了鋁合金桁架的數值模擬實驗。通過ABAQUS軟件來構建鋁合金桁架的有限元模型(FEM),模擬桁架結構的剛度損傷情況(見圖2)。桁架的尺寸為0.5 m×0.5 m×3 m,包括42根0.5 m長的豎桿、橫桿和27根0.707 m長的斜腹桿,其余尺寸和參數詳見表2。邊界條件為一端固定,一端滑動。為了模擬不同桿件剛度損傷情況,假設結構損傷程度與彈性模量降低成正比,即將桿件的彈性模量減小到其一半來模擬50%的損傷。

圖2 桁架數值模擬結構模型

表2 桁架結構尺寸和參數

為了更貼近實際實驗,采用桁架實驗結構在錘擊時所測得的加速度信號作為數值模擬中的加載激勵幅值(見圖3),將其作為輸入應用到數值模型的相應節點上,選擇桁架上弦部位中間節點沿Y方向的負方向進行加速度加載。為模擬桁架結構受到錘擊的動態響應,數值模擬采用動力隱式分析。設置增量步大小為0.01,激勵采集時間為80 s(與實際桁架實驗采樣頻率100 Hz、實際錘擊激勵時間相對應)。

圖3 桁架數值模擬加速度激勵幅值曲線

在桁架數值模型中,選擇下弦節點上的10個測量點(標記為1～10)的加速度響應信號作為各模型樣本的輸入(見圖4)。為模擬不同的損傷工況,對桁架內的6根桿件(如圖2中編號為1～6的桿件)進行50%的損傷模擬。這些損傷桿件通過不同的組合被分為單損、二損和三損情況,共設計了17種損傷工況(包括1種無損狀態和16種有損狀態),詳見表3。

圖4 經差值預處理的各加速度響應曲線

2.2 實驗參數設置

使用樣本大小為1 024,步長為50的滑動窗口進行重疊采樣,從每種工況中提取出140個維度為10、長度為1 024的一維序列作為各卷積神經網絡的輸入樣本,共獲得了17×140=2 380個樣本。按8∶1∶1的比例將這些樣本劃分為訓練集、驗證集和測試集,以便對模型進行評估和驗證。

選擇Matlab R2021b作為開發環境,NVIDIA RTX 4060 Ti作為GPU?；诙啻谓涷炘囼灪拓惾~斯優化算法自動搜索最佳超參數組合,設置迭代次數為10epoch、學習率為1×10-3、L2正則化為1×10-4以提高模型的性能。為加速收斂,用Adam優化算法,卷積層激活函數用LeakyReLU。為防止過擬合,Mini-batch大小設為64。

2.3 損傷位置結果及分析

為對各模型在數值模擬中桁架剛度損傷識別方面的訓練效果進行評估,圖5、圖6展示了各模型在驗證集上的準確率和損失函數隨迭代次數的變化趨勢。隨著迭代次數的增加,各模型的準確率逐步提升,同時損失函數值逐步下降。這表明各模型逐漸學習到了更有效的特征表示和分類能力。然而,1DCNN和M1DCNN模型的準確率和損失函數值尚未收斂,在識別準確率方面還需要進一步提升。與之相比,M1DCNN-BiLSTM模型在準確率和損失函數方面表現出色,展現了出色的收斂速度和穩定性。

圖5 各模型準確率隨迭代次數變化曲線

圖6 各模型損失函數值隨迭代次數變化曲線

由表4可知,除了1DCNN,其余3個經加速度差值處理的多尺度卷積模型都能夠實現90%以上的準確率,在損傷識別任務中表現出色。與這些模型相比,1DCNN的識別性能相對較低。值得注意的是,M1DCNN-BiLSTM在數值模擬的桁架結構損傷位置識別方面表現最為出色,在訓練集、驗證集和測試集上都實現了100%的準確率。表明M1DCNN-BiLSTM具有卓越性能,能夠高度準確地確定數值模擬桁架結構中各桿件剛度損傷的位置。此外,相較于未差值預處理的結果,經過試驗驗證,這種加速度差值預處理方法在損傷識別性能上實現7%～15%的顯著提升。

表4 桁架數值模擬剛度損傷時各網絡識別準確率及預處理方法差異性 %

2.4 損傷程度結果及分析

為詳細說明所提模型在數值模擬桁架結構剛度損傷情況下對損傷程度的預測能力,進行了不同模型在單損、雙損和三損情況下的預測結果對比,結果如圖7所示。

圖7中展示了不同模型在不同桿件損傷程度為50%時的預測結果。在單損、雙損和三損情況下,發現M1DCNN-BiLSTM的預測結果在各個桿件上的損傷程度都保持在50%的微小浮動范圍內。與之相比,其他模型的預測結果在50%上下浮動較大。特別的是M1DCNN-BiLSTM,表現出高精度的損傷程度預測,與實際損傷程度高度吻合。相反地,1DCNN的損傷程度預測結果與實際損傷程度相差較大,未能準確預測各個桿件的損傷程度。表明1DCNN在損傷程度預測方面存在一定的局限性。

圖7 不同模型在單損、雙損和三損情況下的預測結果

3 桁架結構剛度損傷實驗結果與分析

3.1 鋁合金桁架結構剛度損傷位置和損傷程度振動測試實驗

為進一步驗證所提模型在實際鋁合金桁架結構重度損傷識別任務上的泛化能力的適用性,進行了100%剛度損傷振動實驗(見圖8、圖9)。首先,通過移除鋁合金桁架中部不同位置斜腹桿,引入100%剛度損傷,以模擬桿件不同位置和程度的剛度損傷。其次,采用錘擊法對桁架結構上弦桿進行不同節點的激勵,并使用加速度傳感器采集結構有損傷和無損傷狀態下的時域響應數據。然后,將采集的數據輸入到各損傷判斷模型中,以判定是否存在損傷并準確地定位移除斜腹桿的位置和預測斜腹桿的損傷程度。最后,將模型判斷結果與實際的損傷情況進行對比,評估各模型的判別性能。

圖8 鋁合金桁架結構立面圖

圖9 鋁合金桁架結構及傳感器布置圖

采用上面數值模擬剛度損傷時的實驗參數設置,共得到5 600個樣本,覆蓋了8(1無損+7有損)種不同損傷工況。具體損傷工況可參見表5。

表5 桁架剛度損傷位置和程度振動試驗的損傷工況

3.2 損傷程度評價指標

常用回歸模型評價指標包括均方根誤差(RMSE)、均方誤差(MSE)和平均絕對誤差(MAE)。這些指標值越小,表示模型預測結果與真實值偏差越小,模型的預測性能越好。

(2)

(3)

(4)

3.3 桁架振動實驗損傷位置和損傷程度分析結果

由表6可知,M1DCNN-BiLSTM模型在損傷位置診斷方面表現優異。在所有的數據集中,該模型均實現了100%的準確率。與其他3種模型相比,M1DCNN-BiLSTM在測試集上的準確率分別提升了22.68%、15.89%和0.54%。表明該模型具有出色的識別準確度,可被視作一種可信賴的損傷診斷方法,能精確定位斜腹桿損傷位置。

表6 各網絡桁架損傷位置識別準確率 %

為評估這4種模型在桁架斜腹桿剛度損傷程度預測方面的訓練效果,圖10、圖11展示了各模型在驗證集上的RMSE和損失函數隨迭代次數的變化情況。1DCNN和M1DCNN模型的RMSE均超過0.2,表明它們的預測結果與實際損傷程度相差較大,未能很好地預測鋁合金桁架斜腹桿剛度損傷的嚴重程度。相比之下,M1DCNN-BiLSTM在RMSE和損失函數值方面均表現出色,其RMSE僅為0.028,損失函數值為4×10-4,從而驗證了其在魯棒性和預測精度方面的優越性。

圖10 各模型RMSE隨迭代次數的變化曲線

圖11 各模型損失函數值隨迭代次數的變化曲線

3.4 桁架損傷位置結果可視化分析

由圖12可知,M1DCNN-BiLSTM模型在所有工況下都能夠得到精確的識別。相比之下,1DCNN模型僅在工況0、2、5中的所有樣本被正確識別,而其他工況的識別效果相對較差,特別是在工況1和4,僅有40%的識別準確率。M1DCNN-BiLSTM相對于其他3類模型在鋁合金桁架結構健康監測中展現出最佳的分類效果和最高的識別精度,其優勢在于M1DCNN的多尺度結構,以及BiLSTM對序列數據的建模能力。兩者結合使M1DCNN-BiLSTM能夠更好地捕捉時空特征,從而在損傷分類任務中獲得更高的準確性。

t分布隨機鄰域嵌入(t-SNE)將數據點的高維特征映射到二維特征空間中,并用不同顏色表示不同的損傷工況,可直觀地觀察到不同工況下數據的特征具有明顯的分離和聚類傾向。分類層輸出的特征被視為模型提取的最終特征,因此對其分類層進行t-SNE可視化。

圖12 測試混淆矩陣

由圖13可知,1DCNN通過2個卷積層的特征提取可有效地分離和聚合大部分輸入數據的特征。然而,單一尺度的卷積仍無法完全有效地分離和聚合所有工況的特征,有些工況還存在相互混疊。M1DCNN-BiLSTM能更好地分離和聚合所有工況的特征,展現出最佳的分類效果。相比之下,1DCNN的分類效果較差,一些工況被混淆在一起,無法有效地分離。

3.5 各評價指標損傷程度預測結果

從表7可知,多尺度卷積在各項評價誤差指標上都優于1DCNN,且M1DCNN-BiLSTM在所有評價誤差指標中均為最低,其預測結果與實際損傷程度極為接近。與1DCNN相比,M1DCNN-BiLSTM 預測效果在整體上得到顯著的改善,其精度和準確性均有明顯提升,在預測誤差方面呈現出顯著的優勢,RMSE、MSE和MAE評價指標分別比1DCNN降低了84.5%、97%和84.3%,預測結果與實際損傷程度高度吻合。

圖13 測試分類層可視化

表7 各網絡損傷程度預測誤差指標

4 結論

1) 將M1DCNN和BiLSTM有效地融合,可彌補1DCNN在學習時空特征方面的不足,能更充分地提取結構損傷信號的時空多尺度特征,在鋁合金桁架結構剛度損傷識別中表現出卓越的識別性能、魯棒性和泛化能力。

2) M1DCNN-BiLSTM在損傷位置和程度預測方面表現出色,接近100%準確率。與傳統1DCNN方法相比,該模型能有效識別鋁合金桁架結構不同位置的損傷,并對損傷嚴重程度進行定量評估。在桁架數值模擬與實際振動實驗中得到了驗證,證明其在損傷位置和程度預測方面的顯著效果。

3) M1DCNN-BiLSTM模型在損傷程度預測方面具有更優的性能,尤其是相比于1DCNN,在振動測試實驗中,RMSE、MSE、MAE分別降低了84.5%、97%、84.3%,與實際損傷程度極為接近,表明該模型具有較好的預測精度,在鋁合金桁架損傷程度預測方面具有很強的泛化能力和魯棒性,為結構健康監測和安全評估提供了有效手段,使檢測結果更具參考價值。