為改進目前傳統損傷識別方法對橋梁局部小損傷識別能力較弱的不足,提出利用深度學習方法中的卷積神經網絡對橋梁損傷進行統計模式識別.根據卷積神經網絡對損傷特征向量的需求,將車橋耦合振動下的原始結構響應信號進行小波包濾波和重構,之后通過遞歸分析獲取不同損傷工況的遞歸圖,將其作為新型的損傷特征圖像作為卷積神經網絡的輸入.在此基礎上提出基于卷積神經網絡和遞歸圖的橋梁結構損傷識別計算流程和方法.對一座連續梁橋進行不同位置和程度的損傷模擬,提取小波包頻帶能量及遞歸圖等損傷特征向量,并進行基于多種統計模式識別算法的損傷識別.結果表明:與其他特征向量相比,遞歸圖蘊含更豐富的損傷信息;與支持向量機和BP神經網絡等傳統統計模式識別方法相比,卷積神經網絡能夠通過逐層智能學習實現更準確的特征自動提取和區分,從而實現損傷位置和損傷程度的更精準識別. 

【文章來源】：應用基礎與工程科學學報. 2020年04期 第966-980頁 北大核心

【文章頁數】：15 頁

【部分圖文】：

首先研究將小波包頻帶能量作為損傷特征向量的傳統識別方法的精度．對上述濾波后的時域信號采用4層小波包變換得到16個頻帶能量，取在不同損傷工況下變化率較大的15個頻帶能量序列作為損傷特征向量．前4種損傷工況的典型頻譜能量序列如圖5所示．可以看出頻帶能量對不同位置的損傷比較敏感，但在表征同一位置上不同程度損傷的差異方面能力偏低．以小波包頻帶能量為損傷特征，采用Bayesian網絡、BP神經網絡、K-means聚類和支持向量機等4種傳統統計模式識別方法進行橋梁損傷識別．選取10種工況下的100組特征數據作為訓練集，分別對Bayesian網絡、支持向量機和BP神經網絡進行訓練．將Bayesian網絡的先驗概率設為均勻分布，即各工況數目占總分類樣本的比例為該工況的先驗概率．將支持向量機的計算目標定為1.0×10-5，計算速率選擇為0.001.BP神經網絡設置的參數如下:訓練函數為traincgb，學習函數為learngdm，最大訓練次數為1 000，訓練目標為0.005，學習速率為0.01，隱含層神經元個數為31．各選取10種工況下的10組特征數據作為測試集檢驗模型的分類能力，然后將上述測試集進行分類．結果如表2所示，4種模型的分類正確率參見表3.圖5 前4種工況頻譜能量條形圖

為驗證基于遞歸圖和卷積神經網絡的橋梁損傷識別方法的可行性和優越性，建立一個三跨鋼筋混凝土連續梁橋的有限元模型，并采用車輛移動荷載對不同損傷狀態下的橋梁進行動力分析，獲得橋梁主要節點的振動信號并進行損傷識別．所選三跨T型截面連續梁橋的具體參數如下:橋梁主梁由6片組成，每跨計算跨徑均為25m，設計荷載為公路Ⅰ級荷載，荷載橫向分布系數為0.6，主梁材料為C40混凝土，配筋包括Q235和HRB335鋼筋．通常車橋振動模型有梁上移動荷載模型、梁上移動質量模型和梁上彈簧-質量模型．本文將車輛荷載轉化為移動質量模型，車重為2.6t，以36km/h的恒定車速駛過橋梁．車橋耦合振動示意圖如圖2所示．整體有限元橋梁模型沿橋長有2 000個單元．在有限元模型的損傷模擬中，通過改變指定關鍵部位的單元剛度來模擬橋梁的損傷程度．由于實際情況下各跨跨中部位最容易發生損傷且其損傷對振動響應的影響最大，因此選取各跨跨中損傷及其組合情況來模擬橋梁的損傷位置．本研究致力于解決橋梁局部小損傷的識別問題，因此選取各跨跨中10%長度范圍的40個單元進行剛度折減，使其剛度分別下降5%或10%．在實際環境中，環境噪聲對橋梁的影響不可忽略，因此本文給橋梁分別施加2%、4%、5%、6%和8%的環境噪聲，模擬實際橋梁的損傷，各工況具體情況如表1所示．對上述各損傷工況下的車橋耦合振動模型進行動力分析，提取主跨跨中的位移響應信號和加速度響應信號．通過模擬得到5種噪聲環境下這10種工況各200條振動響應信號，即每種工況的信號樣本各1 000條，構成容量為10 000的樣本集．由于振動響應對損傷并不敏感，往往使小損傷特征提取變得困難，并且振動響應信號具有很強的非平穩性，因此對提取的加速度信號進行6層小波包分解，得到第6層從低頻到高頻64個頻帶成分的特征信號，在頻域內找到對結構小損傷較為敏感的頻段，對小波包分解系數進行重構，從而提取該頻段對應時域內的信號．前4種工況的重構信號如圖3所示，濾波后的時域信號如圖4所示．

【參考文獻】：
期刊論文
[1]基于核主元分析和支持向量機的結構損傷識別研究[J]. 孫艷麗,楊娜,張正濤,戚蕊,劉尚來,徐亞豐,夏寶暉,董文天,邱明浩.  應用基礎與工程科學學報. 2018(04)
[2]基于自適應技術的結構參數與輸入同步反演[J]. 穆騰飛,周麗.  振動.測試與診斷. 2017(05)
[3]橋梁結構損傷識別研究現狀與展望[J]. 吳向男,徐岳,梁鵬,李斌.  長安大學學報(自然科學版). 2013(06)
[4]基于遞歸矩陣奇異熵的損傷識別方法[J]. 楊棟,任偉新.  振動與沖擊. 2012(03)
[5]小波支持向量機在結構損傷識別中的應用研究[J]. 何浩祥,閆維明,周錫元.  振動、測試與診斷. 2007(01)
[6]基于小波包能量譜的結構損傷預警方法研究[J]. 丁幼亮,李愛群,繆長青.  工程力學. 2006(08)



本文編號：2908699