工程结构损伤检测的智能方法

王乐

摘 要：近几年随着基建能力的快速发展，对于桥梁结构损伤识别技术的需求也越来越强。越来越多的学者对损伤识别进行了研究，并且开发出众多健康监测的方法。针对桥梁结构的特点，基于施工、健康监测和人工巡检多位一体的多体系损伤识别方法是桥梁结构损伤识别的发展方向，损伤识别的智能方法也是重中之重。

关键词：损伤识别;健康监测;智能方法

1 麦克风冲击共振法

空气耦合传感器是无需接触的传感器的一种，能够接收到构件传播到空气中的声波信息。电容式的麦克风则是空气耦合传感器的一种，拥有较宽的带宽适用范围以及较高的灵敏度。近年来，该传感器技术在无损检测的领域里取得了较好的发展，学者们将麦克风传感器引入众多无损检测的原理和方法中，形成了较为高效的无损检测方法。

冲击共振测试的原理是结构受到激励的时候，内部声波的传播遇到缺陷的时候能够发生连续的反射，引发构件的共振反应，其中结构的外形样式以及材料本身的特性都会对冲击共振频率的大小产生影响，由冲击共振频率的大小和频谱特征判定结构的损伤。因此可以将麦克风冲击共振法应用于结构脱空损伤检测中，这对于钢管混凝土等结构的损伤诊断有着重大意义。

在钢-混凝土组合结构中发生局部的界面脱空损伤时，对混凝土结构的外部施加激励，施加激励后会产生冲击，在冲击的一瞬间会发出声波。在对结构的脱空损伤部位施加脉冲激励时，局部脱空区域受到短时冲击力的作用，将发生持续的响应，该自振响应在局部板壳的自振频率处特别显著。因为构件的振动会在附近产生声辐射，所以可以通过传感器来采集位于激励位置处的声压信号，然后对采集的信号进行处理，通过对信号的处理得出结构的损伤情况。正常来说，如果知道构件的厚度，就能够通过信号的频谱特性以及模型的振动特性来推测损伤的大小等属性。当仪器采集端和激励端之间的距离越远，构件振动对传感器采集端的声辐射功率越小，所采集的信号的幅值就更小，但信号的基本频谱特征不会变。针对工程结构进行损伤成像的测试之后绘制出云图，声压模态柔度近似值大的区域可以判定为存在损伤，因此凭借云图可以对结构进行脱空损伤识别与诊断。

2 基于导波的结构损伤识别

导波是由应力波在有限介质受到边界的“引导”而形成。声波传播到波导结构的边界时候发生大量的反射、折射和模态转换，造成声波之间的干涉，并且叠加，形成波导结构中稳定的导波。导波的传播主要会被两方面所影响：一方面受结构外部尺寸的影响，另一方面受频率的影响，导波的频散现象就是引导频率变化所产生的。

在对导波进行实际检测研究时，研究学者得出由于导波自身产生的过程造成了导波对结构缺陷独特的敏感性。因此导波在结构损伤检测领域逐渐广泛应用。采集到的导波信号的特征提取技术是导波应用的一个首要问题，为了减少信号采集过程中存在各种噪声对声波信号产生影响，因此需要使用特点的信号特征提取方法，来提高信号的信噪比，从而有效从信号中提取出反映损伤信息的信号特征，凭此来进行损伤识别。目前已有大量导波信号的特征提取方法：

2.1 利用分谱处理算法进行损伤识别

因为分谱出处理算法有比较好的抵抗随机噪声干扰的能力，因此被广泛用于结构的损伤识别。利用分谱处理算法，通过比较基准波信号和检测波信号的幅值變化程度来判定损伤散射的基础对称模式的传播时间。当目标的信号在所采集的信号中出现的时候，通过分谱处理算法所建立的一系列时间域信号将呈现出一致的幅值信息。

使用合适的提取特征的算法，在每个采样的时间点上提取这一系列重建的时间域信号的幅值并衡量它们的一致性，然后就能够得出那些有着较好的幅值一致性的采样时间点对应于目标信号的出现。由于幅值一致性不会被噪声所影响，因此即使所采集的信号的信噪比较低，分谱处理算法仍然可以正确地评估目标信号的传输时间。实际损伤识别实验验证：根据分谱处理算法，将基准和实际情况下信号的幅值进行对比来得出S0模式的信号传输时间。在理想的和实际存在噪声两种工作环境中检测存在缺陷的构件，使用分谱处理算法求出所检测信号的瞬时幅值变化度。接合多条传感路径评定出的信号传输时间，可以使用定位算法识别出损伤的位置。能得出无论噪声是否干扰了检测的波信号，使用分谱处理算法可以使得在低信噪比的时候仍然可以精确地评估出缺陷散射的S0模式的信号传输时间，从而达到有效的结构损伤识别。而Hilbert变化等评定的S0模式的信号传输时间仅仅在理想的环境中是有效的，在有噪声存在对信号造成影响时，会导致没有办法对缺陷进行识别。因此分谱处理算法有较强的抵抗宽带噪声干扰的能力，在导波特征提取中有较强的适用性。

2.2 基于导波信号能量谱相关性分析的损伤成像算法

为了实现导波的损伤检测，并且减小进行信号分析的时候因为不同状态波信号有区别而产生的误差，提出了这种损伤成像算法（能量谱相关性分析）。对传感路径的损伤指数进行校对，并把所校对的损伤指数作为特征参数。利用加权分布函数，损伤指数会被映射至离散坐标上，绘成了缺陷出现在坐标上面的概率图像，用来定位检测结构的缺陷。这种基于能量谱相关性分析的方法可以避免信号激励和采样的时间同步性影响。

3 基于堆栈降噪自动编码器的损伤识别方法

由于深度学习能够对复杂的方程进行拟合并且模式分类的能力较强能够解决复杂的模式分类问题，所以目前深度学习在结构损伤识别领域的应用越来越广泛。

堆栈降噪自动编码器是常见的深度神经网络结构，是经过无监督预训练多层网络结构。因为堆栈降噪自动编码器训练优化相对而言较为简单并且有很强的模式识别能力，会对输入的参数进行优化，所以被开发使用在损伤识别领域。其网络的结构和深度置信网络结构很像，但是与其不同的是，堆栈降噪自动编码器是通过堆叠自动编码器替代RBM，在结构的顶层是用于执行模式分类和预测任务的分类器。降噪自动编码器会对输入的参数指标进行特征的提取，得出输入参数指标的抽象特征。在历经多次的特征提取之后，能够得到高阶位的特征并且用作是分类器的输入，最后利用分类器的作用判断出输入样本的类别。这种基与堆叠降噪自动编码器的结构损伤识别方法适用于结构的损伤位置判定。降噪自动编码器的主要的工作特点是选择指标、建立样本库、选择合适的分类器和对该结构进行训练。和目前广泛使用模式识别的方法比较而言，该方法强大的特征提取能力会使其在结构损伤诊断领域获得广泛的应用。

4 结论与展望

虽然目前已经有大量学者进行结构损伤识别的工作并且取得了一定的成功，但是很多的方法仅是在实验室是环境下成立的，存在于模拟之中，有一定的局限度，要想真正的应用在实际工程项目中还有一定的难度。在外部环境的干扰下，要想得到损伤结构完整的数据还需要进行多方面的研究，如何从实验模型应用到工程结构中无疑是一个很重要的问题。在未来，结构损伤识别主要会对小波分析、环境激励下的方法以及全过程的结构损伤识别方法进行研究。相信在未来，学者们能将实验室方法真正的应用到实际项目中。

参考文献：

[1]吴向男，徐岳，梁鹏，等.桥梁结构损伤识别研究现状与展望[J].长安大学学报（自然科学版），2013，33（6）：49-58.

[2]苗晓婷.基于导波的结构健康监测中特征提取技术与损伤识别方法的研究[D].上海交通大学，2011.

[3]刘蒙.基于麦克风冲击共振法的钢—混凝土组合结构脱空损伤诊断研究[D].湖南大学，2018.

[4]谢祥辉，单德山，周筱航.基于堆栈降噪自动编码器的桥梁损伤识别方法[J].铁道建筑，2018，58（5）：6-10.

[5]黄天立.结构系统和损伤识别的若干方法研究[D].同济大学，2007.