基于卷积自编码神经网络的损伤识别

邵红艳 梁李源 高士武*

（青海大学土木工程学院，青海 西宁810016）

桥梁是人们生活和生产活动中的一种重要的基础交通工程,它是一种可以帮助人们克服天然的出行障碍，例如河流、峡谷等的一种构筑物，桥梁对于有效缓解城市交通压力发挥着非常关键性的作用，它的存在保证着人们正常通行和经济的健康稳定发展。

随着经济技术的进步，现代结构设计也越来越趋向于大型化、复杂化[1]，桥梁结构的设计也是如此。据交通部发布的《2019年交通运输行业发展统计公报》，截至19 年末[2]，据统计我国全国公路桥梁的数量达到了新的高度，对2013～2019 年交通运输部发布的数据进行汇总分析，如表1 所示，可以发现：公路桥梁总数大概以每年2 万座增长，其中特大桥梁以每年400 座增长，数量增长非常迅速。

表1 2013 年～2019 年国内桥梁数量统计

桥梁结构从建成通车之日起，就处于一个相对开放的环境中，结构的安全性一直受到外界荷载、材料的老化以及地震、飓风、洪水等不可抗力因素的影响[3]。如果不能及时发现并进行必要的处理，小的可控制的损伤将不断地扩大，最后达到不可控的地步，最终将会威胁到结构的安全运营。

目前桥梁损伤健康监测技术距离实际工程应用存在较大差距的一个重要的原因是：监测系统的海量数据未能得到科学处理[4]。深度学习中的神经网络，只对数据进行处理分析，不受结构的类型和激励形式限制，充分利用响应数据，从数据中提取结构的特征，及时、准确地发现结构损伤的发生，在桥梁结构发生突发性损伤之前，能够判断出桥梁的健康状况，有利于及时采取相关的行动，可以有效的防止损伤的进一步扩展，避免引发其它不可挽回的事故。

1 卷积自编码神经网络

自编码神经网络是一种无监督的学习模型，旨在提取隐藏在原始数据背后的潜在特征，一般由编码器和解码器两部分组成，并且其结构是对称的，编码器的结构模型如图1 所示，其结构组成如图2 所示。卷积神经网络能够处理多通道的数据，还能够提高网络的计算速度，并且可以有效降低网络结构复杂程度和计算量。卷积自编码神经网络是在自编码神经网络里采用了卷积层代替全连接层，极大的降低了网络的计算量，但其原理实质上还是自编码神经网络，充分发挥卷积神经网络和自动编码器的优点，对加速度响应信号进行特征提取，利用重构信息与原始信息的残差来进行损伤及损伤时刻的识别。

图1 自编码神经网络模型

图2 自编码器结构示意图

2 随机荷载作用下简支梁的损伤识别数值模拟分析

2.1Newmark 法

进行数值模拟获取的是结构的低水平加速度信号，Newmark法是结构动力学中提到的一种求解结构响应的积分方法，它是一种单步法，也就是说，体系每一时刻运动的计算只与上一时刻的运动有关。这种方法以系统的运动方程为基础，假设该系统具有初始位移以及初始速度如下：

2.2 模型参数及工况设定

利用Pycharm 软件与Newmark 法相结合, 对简支梁桥进行数值模拟。有限元模型是长度为10m 的简支梁,梁的横截面为矩形,宽度为0.1m,高度为0.2m,沿长度方向等分为10 个相等的Euler-Bernoulli 梁单元,如图3 所示。材料的杨氏模量为206gpa,密度为7900kg/m3。

图3 简支梁有限元模型

通过降低目标梁单元的高度来模拟损伤，共有六种损伤情况,包括五种损伤等级和一种完好状态。通过将目标单元的抗弯刚度分别降低10%、20%、30%、40%和50%, 制备五个级别的损伤,每种损伤程度下损伤依次位于0～9 单元。为了模拟桥梁从健康状态到出现损伤的过程,进行桥梁状态的实时监测,测试工况由无损伤数据与不同程度的损伤数据相互拼接构成, 这样就模拟了桥梁出现损伤的过程。从20%的无损伤测试集中,随机可重复的选择10 组数据;从得到的5 种不同程度损伤的数据集中,同样随机可重复的选择10 组数据,将两种代表桥梁不同状态的数据按照(无损数据+损伤数据)的顺序进行拼接,共构成了5 种测试工况, 如表2 所示, 进行拼接之后的测试工况的数据形状为(20,1024,9)。

表2 测试工况构成

2.3 数据预处理

2.4 结果及分析

本文的研究目的是通过对原始数据的重构误差进行操作,来实现结构损伤时刻的发现以及损伤的定位,下面以第一个测点处工况一和工况三的数据为例,用训练好的无损CAE 模型来进行处理损伤时刻的发现以及损伤的定位。

图4 工况一

图5 工况三

将重构前的数据与重构后的数据进行可视化，如图4 (a)所示,从图中可以看出,用卷积自编码神经网络对数据进行处理,是一种有损的操作, 也就是说经过卷积自编码神经网络后数据必然会与原始数据存在差别。从图中我们并不能发现损伤有没有发生,损伤是什么时候发生的,以及是哪个位置出现了损伤。通过构建原始数据与重构之后数据重构误差的绝对值, 将重构误差进行平滑处理后,我们得到了图4(b),从平滑处理后的结果可以很清楚的看到在10s 处图像出现了一个突变, 在前10s 内,重构误差的波动稳定在一定的范围内,但是在后10s 内,重构误差发生了一个跳跃之后,重新在一个新的范围内波动,这说明结构的状态发生了与前10s 内十分不同的变化, 即结构出现了损伤,出现损伤的时刻就是重构误差发生突变的时刻。

3 结论

从测试工况的结果分析中可以发现,低水平的加速度信号经过CAE 的重构及相关处理后,可以识别出结构损伤发生的时刻大概在10s 处。研究结果能够表明该方法在结构发生一定程度损伤后, 可以较好地识别出结构发生了损伤以及结构发生损伤的时刻。