基于CNN-LSTM架构神经网络的桥梁损伤位置识别

皇鹏飞　高士武　杨晓林

摘要：针对桥梁健康安全监测中的损伤位置识别准确率不佳的问题，文章提出一种基于CNN-LSTM架构神经网络模型（CL-EANNM）的桥梁损伤位置识别方法。通过MATLAB软件对不同损伤工况条件下的简支梁结构振动响应进行数值模拟，利用CL-EANNM挖掘测点加速度信号数据集中有效的损伤位置特征，并测试该方法识别损伤位置准确率。结果表明：CL-EANNM识别简支梁结构损伤位置体现出良好的效果。该方法的现阶段成果为桥梁健康监测中损伤位置识别准确率优化问题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.

关键词：卷积神经網络;长短期记忆网络;CNN-LSTM架构神经网络;损伤位置识别

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

中图分类号：U446                                       文献标识码：A                                  文章编号：1006-4311（2020）05-0236-02

0  引言

近期桥梁安全事故频频发生，桥梁结构健康安全监测任务在桥梁正常运营过程中扮演着尤为重要的角色。现阶段结构健康监测系统已被投入应用到各大桥梁工程[1]。文章基于深度学习原理，结合CNN[2]和LSTM[3]各自优势，提出一种基于CNN-LSTM架构神经网络模型的桥梁损伤位置识别方法，通过实验验证，证明该方法能自动特征提取桥梁结构损伤位置特征，并对损伤位置进行准确识别。

1  CNN-LSTM架构神经网络模型（CL-EANNM）

原始样本数据先经过CNN的四次卷积处理和两次池化处理得到样本特征，将样本特征输入进LSTM网络，通过LSTM网络内部核心结构中特有的遗忘门（Forget Gate，FG）和记忆单元（Memory Cell）进行特征分类，进而对损伤进行预测，如图1所示。

2  实验验证

为检验并证明文章所提出方法的有效性，通过设计简支梁的数值模拟实验进行数据采集，并利用CL-EANNM进行损伤识别。利用MATLAB软件设定有限元模型为等分10个大单元（微分500个小单元）的简支梁（E=2.06×1011Pa，ρ=7900kg/m3）模型如图2所示。每个大单元中心区域的6个微单元SiUj、SiUj+1、 SiUj+2、 SiUj+3、SiUj+4、SiUj+5（大单元号i=1，2，…，9，10;微单元号j=1，2，…500，）的损伤程度设计成五个标准：D1、D2、D3、D4、D5，如表1损伤等级标准，表2损伤工况。

采用Newmark方法[4]利用Matlab软件将连续移动冲击荷载激励的动力输入作为模拟匀速行驶的车辆对桥梁路面的激励作用， 其大小为500KN，求解结构的动力响应，并获取2号至10号节点的垂直加速度。

为了将损伤裂纹与刚度折减更好的等效，文章利用等效单元刚度降低模型（equivalent element stiffness reduction model，EESRM）[5]来设计10%、20%、30%、40%、50%的刚度损伤（0.1I0、0.2I0、0.3I0、0.4I0、0.5I0）裂缝，如公式（1）所示。

3  CL-EANNM训练与损伤识别

卷积神经网络训练通过CNN隐藏层中的卷积网络层、池化网络层、BN网络层等网络层对样本数据进行特征提取处理。CNN具体的训练参数为：4个卷积层，2层长度为1024的一维卷积核，每层16个，其余2层为长度是256的一维卷积核，每层8个;为加快学习速度，步长取2。两个2×2步长为2的池化层，4个BN层加速收敛、提高泛化能力。编译时设置优化函数为RMSprop，学习率为0.0005，经过500次充分迭代训练后，损失值不再下降，则认为网络训练完成，保存最优模型，提取卷积神经网络提取的数据样本特征向量CONV，并作为LSTM神经网络的输入数据。

长短期记忆神经网络训练模型采用三层LSTM网络层、一层Dense网络层，优化函数选用RMSprop，LSTM记忆细胞中层间激活函数选用sigmoid函数函数，全连接层分类函数选用linear函数。网络训练采用的学习率为0.01，按照损失率的大小，自动调节学习率的大小，直至得到最优权重后，停止训练，并保存最优权重，完成神经网络模型的训练，可以进行下一步的损伤识别，通过测试模型的准确率，评估模型的泛化能力，如图3，图4。

4  结果分析

根据图3显示，不难发现该方法对实验中各损伤工况的损伤位置都能达到准确识别的效果，且识别的准确率均随损伤程度等级的增加而提高，最高准确率可达到92.37%。另外将对称双区域损伤位置识别效果与不对称双区域损伤位置识别效果进行对比分析如图4所示，可知不对称双区域的损伤位置识别准确率要远远高于对称双区域损伤位置识别的准确率。根据以上结果分析，可见基于CNN-LSTM架构神经网络的简支桥梁损伤位置定位方法有较大的潜在应用可能性。

5  结语

文章结合深度学习中CNN和LSTM各自优势，提出基于CL-EANNM架构神经网络桥梁损伤位置识别方法，文章当前的研究结果能够表明该方法从采集到最原始的速度信号数据集中进行自动提取简支梁桥的损伤位置特征，并能对损伤位置进行准确识别定位，为桥梁损伤识别方法研究提供了新思路。

参考文献：

[1]马宏伟，聂振华.桥梁安全监测最新研究进展与思考[J].力学与实践，2015，37（2）：161-170.

[2]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（06）：1229-1251.

[3]张志豪，杨文忠，袁婷婷，等.基于LSTM神经网络模型的交通事故预测[J].计算机工程与应用，2019，55（14）：249-253，259.

[4]方秦.隱式Newmark法分析波动问题精度的探讨[J].爆炸与冲击，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.