基于深度网络的公路隧道悬挂风机预埋基础状态监测

庞 荣

(招商局重庆交通科研设计院有限公司， 重庆 400067)

基于深度网络的公路隧道悬挂风机预埋基础状态监测

庞 荣

(招商局重庆交通科研设计院有限公司， 重庆 400067)

为了实时监测和分析公路隧道悬挂风机预埋基础状态，提出一种基于深度网络的公路隧道悬挂风机基础状态监测分析方法。该方法以公路隧道悬挂风机的预埋基础的振动数据为研究对象，应用深度网络对振动数据进行深度学习，以自动提取表征基础结构各状态的特征，并将其作为BP分类器的输入以实现悬挂风机预埋基础的状态识别。采用该方法对悬挂风机的预埋基础的振动信号进行试验分析，结果表明：该方法能够对悬挂风机预埋基础状态进行有效识别，其状态识别率可达100%。

公路隧道；悬挂风机；深度网络；状态监测

随着我国公路隧道里程和运营时间的增加，公路隧道的运营安全日益受到人们的重视。公路隧道的健康性对整个隧道运营的安全性具有非常重要的意义，特别是公路隧道悬挂射流风机预埋基础的健康性。由于风机自身重量及其运行中产生的振动将致使风机安装基础松动，因此风机运行一段时间后需对其预埋件基础的健康性进行检测[1]，以观测预埋基础状态并针对性地采取相应措施。因此，对运营隧道悬挂风机基础健康性可靠、简便的监测方法进行探讨尤为重要。目前，国内外公路隧道悬挂通风机预埋基础状态监测主要采用以下2种方法：1) 机械加载检测其承载负荷；2) 无损探伤进行结构稳定性定期检测[2]。上述2种方法均存在一些缺点，如机械加载方法对预埋基础本身具有一定的破坏性；无损检测技术虽对结构无损伤，但只能检测基础表面附近损伤。鉴于目前国内外在运营隧道悬挂风机预埋基础状态监测方面尚无有效方法，本文提出基于深度网络的悬挂风机预埋基础状态监测分析方法。

近年来，Hinton等人[3]基于人脑学习的思想提出了一种深度网络的机器学习方法。深度网络也称深度神经网络，是一种多层无监督神经网络，它通过无监督预训练逐层学习算法获取数据的主要驱动变量和分布式特征。深度网络能够自动学习并输入振动信号中的数据结构特征，克服了常用数据分析方法需要人为设计特征而无法准确刻画非线性系统关键信息的本质局限[4]。因此，为了实时反映风机预埋基础状态，针对射流风机预埋基础的监测数据非线性的特点，本文基于深度网络提出一种新的射流风机预埋基础状态监测方法，并将该方法用于某公路隧道悬挂风机预埋基础实测振动信号状态分析试验，其结果表明该方法是有效的。

1 深度网络理论

1.1 降噪自动编码器模型

Hinton等人[5]提出的自动编码器模型如图1所示，其数学描述可表示为：

图1 基本自动编码器模型

y=fθ(x)=s(Wx+b)

(1)

z=gθ′(y)=s(W′y+b′)

(2)

式中：g(·)为映射函数；θ′={W′,b′}，W′、b′分别为W和b的转置。通过训练数据最小化互熵LIH(x,z)，使重建信号z和原始输入x之间误差尽量小。

minLIH(x,z)=min{-∑j[xjlogzj+(1-xj)log(1-zj)]}

(3)

式中：min{}为最小值；xj、zj分别为原始输入x和重建信号z的第j个数值。

降噪自动编码器是对经典自动编码的一个简单改进，其基本思想是通过学习去除训练中被引入的噪声并获取原来没有引入噪声的输入数据，而不是简单地重建原始输入。降噪自动编码器算法通过引入噪声来提高算法的鲁棒性，使其具有较强的泛化能力[3]。

注：⊗为置零； f、g均为映射函数。

1.2 基于深度网络的学习模型

深度网络思想是将基本降噪自动编码器逐层堆叠，即首先将上一层的输出作为下一层的输入，以此训练方式达到规定的层数，然后加上有监督训练(如softmax分类器)对整个网络进行微调，并以基本降噪自动编码器单元构成深度网络模型。深度网络模型如图3所示[4]。

图3 深度网络模型

1.3 基于深度网络的风机预埋基础状态监测算法

通常，处理连续非平稳的信号如语音信号、振动信号等，由于复杂机械振动信号的随机性，需对信号进行快速傅里叶变换(FastFourierTransforms,FFTs)以得到频域信号，从而使振动信号本身特点更加突出[6]。因此，首先需对悬挂风机预埋基础振动信号进行FFT变换，然后应采用无监督预训练得到一个多层编解码模型，最后对经过初始化的多层网络进行参数监督微调(采用标准BP算法)。

本文对基于深度网络的公路隧道悬挂风机基础状态监测算法进行如下归纳：

Step1：输入振动信号样本；

Step2：对输入信号x0进行FFT变换，得到x；

Step3：初始化训练网络，并设置权重W和偏置b；

Step5：将i层输出值作为第i+1层输入，并重复Step3，直至所有层全部训练完毕；

Step6：使用BP神经网络对上述网络进行微调，所获参数作为BP网络的输入以识别悬挂风机基础健康状态；

Step7：输出悬挂风机状态监测的分类。

2 试验分析及结果

2.1 射流风机安装位置及数据来源

2.1.1 安装位置

公路隧道悬挂射流风机的安装方式一般如图4所示。预埋基础包括隧道拱顶预埋钢板、预埋钢筋、风机安装支架、焊接点及螺栓。

图4 隧道射流风机安装示意

2.1.2 数据来源

为了测试悬挂风机基础是否松动，在每个风机分左右两侧共设置6个测试点，即采用6个加速度传感器通道进行数据采集。通过初步测试，选定加速度传感器的采样频率为12 800Hz。

每个测试点都存在着2种状态：预紧状态与松动状态。本文选取4个悬挂风机的基础振动数据作为试验数据，因每个射流风机均有6个测试点，故共有24个样本，分别编号为测试点1，测试点2，…，测试点24。

2.2 预埋基础振动信号分析及结果

本文采用的深度网络模型为SDAE，通过200次以上测试选取最优参数，参数初始化如表1所示[4]。试验设备：主频为2.3GHz，内存为4GB的2核CPU电脑及Matlab2014a。

识别正确率定义如下：

(4)

式中：ρ为正确率；N为样本总数；r为正确识别样本数。采用5折交叉验证方法进行试验。

表1 SDAE模型参数

为了确定深度网络的隐含层层数，采用文献[5]方法确定隐含层层数，层数和识别率之间关系如图5所示。

图5 隐含层层数与分类正确率关系

由图5可知，对于悬挂风机基础的振动信号而言，在隐含层层数为3层和4层时其正确识别率均为100%。然而随着隐含层层数增加，计算复杂度也会增加，故本文将隐含层确定为3层并进行以下试验。

由于深度网络算法在整个训练过程中是逐渐学习的过程，故学习过程中微调时训练次数与误差曲线关系会发生变化，如图6所示。

图6 微调时训练次数与误差曲线关系

本文将每个测试点的监测数据作为1个样本，故按照1.3节算法流程，首先对振动信号进行FFT变换，对FFT变换后的频域信号采用深度网络算法对特征进行自动学习，以获得振动信号的有效特征并进行悬挂风机基础状态识别，识别结果如表2所示。

表2 悬挂风机基础状态识别结果

将表2中结果与预知值进行比较可知，采用深度网络方法可以较准确地判断悬挂风机基础是预紧还是松动状态，从而表明该方法对隧道悬挂风机基础健康性状态能进行有效识别。

对深度网络算法与经典BP神经网络在识别正确率ρ和训练时间t上进行了性能对比试验，结果如表3所示。

表3 1#悬挂风机算法性能对比

由于传统BP神经网络在训练中可能陷入局部极值，因而与深度网络方法相比，其总体识别率都较低，算法耗时明显增加。深度网络算法克服了传统神经网络易陷入局部极值的缺点[8]，大大缩短了算法的时间复杂度，具有较好效果。

3 结束语

1) 本文首次将深度网络学习算法应用于公路隧道悬挂风机预埋基础状态监测，并采用深度网络逐层学习振动信号来有效表征状态信息的特征，以进行状态识别。

2) 试验结果表明，深度网络能够充分表征悬挂风机预埋基础的状态，对风机预埋基础的紧固和松弛状态识别正确率达100%。其为公路隧道悬挂风机基础的健康性状态监测提供了一种新思路，对隧道悬挂风机的运营养护具有重要意义，可对隧道运营安全性提供保障。

3) 目前试验数据仅有2种，而实际隧道运营过程中，由于风机的机械振动，风机预埋基础是由预紧到松动渐变的，因此下一步的研究重点和难点是探讨深度网络算法如何反映风机预埋基础状态的渐变过程。

[1]秦 峰.公路隧道养护与检测[C]//第二届全国桥梁、隧道养护与管理技术研讨会论文集.重庆：中国公路学会养护与管理分会，2015:165.

[2]韩坤林. 基于振动分析的公路隧道悬挂风机基础健康性监测方法[J].公路隧道，2016(1)：45-48，22.

[3]HINTON G E，OSINDERO S，WHYE Y. A fast learning algorithm for deep belief nets [J]. Neural Computation，2006，18(6)：1527-1554.

[4]庞 荣，余志斌，熊维毅，等.基于深度学习的高速列车转向架故障识别[J].铁道科学与工程学报，2015，12(6)：1283-1288.

[5]VINCENT P，LAROCHELIE H， LAJOIE I，et al.Stacked denoising autoencoders：learning useful representations in a deep network with a local denoising criterion[J]. Journal of Machine Learning Research，2010，11(12)：3371-3408.

[6]MOHAMED A R，DAHL G E，HINTON G E. Acoustic Modeling Using Deep Belief Networks[J]. IEEE Transactions on Audio，Speech and Language Processing，2012，20(4)：1-9.

[7]MAATEN L J P，HINTON G E. Visualizing high-dimensional data using t-sne[J]. Journal of Machine Learning Research，2008，9(6)：2579-2605.

[8]李 渊，骆志刚，管乃洋，等. 生物医学数据分析中的深度学习方法应用[J]. 生物化学与生物物理进展，2016，43(5)：472-483.

Status Monitoring of Pre-embedded Foundation of Suspension Fan in Highway Tunnel Based on Deep Network

PANG Rong

To realize real-time monitoring and analyzing of the status of embedded foundation of highway tunnel suspension fan,the author suggests a method to monitor and analyze the foundation condition of highway tunnel suspension fan based on depth network,which is based on the vibration data of embedded foundation of highway tunnel suspension fan,using deep network to study the vibration data,so to automatically extract the characters of the status of the infrastructure. The characters,as input of BP classifier,may achieve the status identification of the suspension fan foundation. Based on this method,this paper carries out experimental analysis to vibration signals of the pre-embedded foundation of suspension fan. Results show that the method can identify the status of the embedded foundation of the suspension fan,and the status identification rate can be as high as 100%.

highway tunnel; suspension fan; depth network; status monitoring

10.13607/j.cnki.gljt.2016.06.034

2016-08-24

庞 荣(1989-)，男，重庆市人，硕士，助工。

1009-6477(2016)06-0159-04

U459.2

A