基于M1DCNN-BiLSTM在铝合金桁架结构健康监测的应用研究

王二成,肖俊伟,李家豪,李彦苍,张子奇,李格格

(1.河北工程大学 土木工程学院, 河北 邯郸 056038;2.河北省装配式结构技术创新中心, 河北 邯郸 056038)

0 引言

桁架因易安装、质量轻、耗材量小等特点,广泛应用于桥梁、体育馆等基础设施。然而,它易受外界环境的影响,导致性能下降,发生损伤。为确保桁架结构的安全运行,结构健康监测(structural health monitoring,SHM)技术通过分析结构的动力响应数据,为结构提供定期的“体检”,以避免结构发生灾难性损坏。SHM可最大限度地评估结构的健康状况,延长其使用年限,并为结构的安全可持续发展提供技术支持[1-2]。

传统的结构检测方法主要包括目视检查和无损检测技术。无损检测技术利用超声波、X射线、声发射等物理信号来探测结构内部,发现潜在的损伤。然而,这些方法存在各种局限,难以实现全局连续监测[3-4]。为全面评估结构的整体状况,基于振动响应的SHM方法应运而生。该方法可实现对结构整体状况的在线识别和评估[5-6]。SHM及其中的结构损伤识别方法,是实现工程结构安全监测的关键技术手段。

随着大数据时代人工智能的快速发展,深度神经网络及其应用在近年来取得了显著的成果[7-9],其中卷积神经网络(convolutional neural network,CNN)直接从振动信号获取最佳特征,为SHM开拓新方向。基于CNN的SHM方法已在实际工程中得到广泛应用。Osama等[10]利用原始振动数据训练1DCNN,证明其是有效的基于振动的SHM工具。Zhang等[11]利用CNN融合三维钢桥的加速度和应变信号,多种数据融合明显优于单一数据,证明了其实用性。张健飞等[12]针对悬臂梁裂缝损伤提出基于多头自注意力的CNN模型。相比传统的CNN模型,该模型具有更好的识别精度和抗噪性能。杨渊等[13]利用1DCNN自动提取钢桁架结构加速度时程响应特征,进行分类和损伤识别。Smriti等[14]提出基于1DCNN的钢框架损伤位置和损伤程度的损伤检测方法,能有效地检测结构连接处的损伤。Teng等[15]将多个传感器信号输入到1DCNN中进行特征提取来检测结构损伤,相较于单一传感器的方法有更好的性能。上述CNN在一定程度上能提取结构动力响应中的特征信息,但其固有的卷积和池化操作会丢失一些时序信息,使网络难以充分挖掘结构损伤的时空深层次特征。相比之下,多尺度卷积(multiscale convolutional neural networks,MSCNN)通过引入不同感受野的卷积核,能同时学习不同时空范围内的局部特征,解决了传统CNN无法充分提取时空特征的局限性。文献[16-19]证明了相较于单一尺度CNN,MSCNN具有更好的损伤识别精度和泛化性能。此外,双向长短期记忆(bidirectionallong short-term memory,BiLSTM)擅长处理时序信息,可在时序上深度挖掘特征之间的关联,进一步提升网络的性能。将MSCNN和BiLSTM两者相互结合,实现了各自优势的互补,使网络能够更有效地提取不同类型的损伤特征[20]。

现有结构损伤检测研究,1DCNN在提取时空特征方面存在局限性,而BiLSTM难以充分学习多尺度信息。为弥补它们的不足,提出一种基于M1DCNN-BiLSTM模型,旨在提升结构损伤诊断的精度和可靠性,以适用于铝合金桁架结构刚度损伤识别任务。该模型将多尺度空间特征和时序信息进行有效融合,可显著提高损伤检测的准确性、鲁棒性和泛化能力,为结构设计和维护提供有力的支持。

1 模型构建及数据处理

1.1 M1DCNN与BiLSTM有机融合

M1DCNN通过引入不同感受野的卷积核,在同一空间中提取多种特征,从而降低网络的复杂度,增强特征的多样性和表达能力。为有效地融合不同时空尺度下的特征,将M1DCNN的特征和BiLSTM的序列特征有机地结合,能更好地提取和利用不同时空尺度下的信息,以形成更全面准确的结构健康SHM特征。

1.2 M1DCNN-BiLSTM架构

提出一种基于M1DCNN-BiLSTM联合模型的特征提取方法,旨在从振动信号中提取更多的时空特征信息,以提高损伤识别性能。首先,采用大卷积核进行特征筛选,用于提取信号中的全局特征;用多尺度特征提取层提取信号中更为细腻的特征,将不同尺度的特征融合,形成对空间特征的多粒度抽象表示;再经BiLSTM层进行时序信息提取,使网络更好地建模时间序列的深层特征。为关注全局关键特征,还采用全局平均池化来降维和整合信息,最后通过Softmax分类或回归得出损伤识别位置或损伤程度。网络结构如图1所示。

图1 M1DCNN-BiLSTM网络结构

为说明该模型结合M1DCNN与BiLSTM的优势,将其分别与1DCNN、M1DCNN、M1DCNN-LSTM相比较,参数如表1所示。

表1 各模型结构参数

1.3 数据预处理

数据标准化使每个测点信号具有相同范围,有利于模型的训练和预测过程。标准化后,信号的范围被映射到[-1,1]区间内。然而,在损伤识别任务中,单纯的标准化并不能充分区分不同杆件损伤样本之间的差异,为了提升损伤识别性能,提出了一种创新的加速度差值预处理方法。该方法的核心思想是将各杆件损伤后的加速度响应值减去其相应无损状态下的加速度响应值。这种预处理方式能更加突出损伤后信号中的变化部分,从而更有效地提取损伤状态下的特征,可更准确地反映结构的健康状态。其公式如下所示。

acc′=accdamage-accundamaged

(1)

式中:accdamage为有损加速度响应;accundamaged为无损加速度响应;acc′为损伤信号与无损信号的差值。这样处理使得损伤信号中仅包含了与损伤相关的信息,有助于模型更敏锐地识别出结构的损伤特征。

2 桁架数值模拟损伤分析与结果

2.1 铝合金桁架刚度损伤数值模拟

为了验证所提模型在桁架结构中对刚度损伤检测的有效性,进行了铝合金桁架的数值模拟实验。通过ABAQUS软件来构建铝合金桁架的有限元模型(FEM),模拟桁架结构的刚度损伤情况(见图2)。桁架的尺寸为0.5 m×0.5 m×3 m,包括42根0.5 m长的竖杆、横杆和27根0.707 m长的斜腹杆,其余尺寸和参数详见表2。边界条件为一端固定,一端滑动。为了模拟不同杆件刚度损伤情况,假设结构损伤程度与弹性模量降低成正比,即将杆件的弹性模量减小到其一半来模拟50%的损伤。

图2 桁架数值模拟结构模型

表2 桁架结构尺寸和参数

为了更贴近实际实验,采用桁架实验结构在锤击时所测得的加速度信号作为数值模拟中的加载激励幅值(见图3),将其作为输入应用到数值模型的相应节点上,选择桁架上弦部位中间节点沿Y方向的负方向进行加速度加载。为模拟桁架结构受到锤击的动态响应,数值模拟采用动力隐式分析。设置增量步大小为0.01,激励采集时间为80 s(与实际桁架实验采样频率100 Hz、实际锤击激励时间相对应)。

图3 桁架数值模拟加速度激励幅值曲线

在桁架数值模型中,选择下弦节点上的10个测量点(标记为1～10)的加速度响应信号作为各模型样本的输入(见图4)。为模拟不同的损伤工况,对桁架内的6根杆件(如图2中编号为1～6的杆件)进行50%的损伤模拟。这些损伤杆件通过不同的组合被分为单损、二损和三损情况,共设计了17种损伤工况(包括1种无损状态和16种有损状态),详见表3。

图4 经差值预处理的各加速度响应曲线

2.2 实验参数设置

使用样本大小为1 024,步长为50的滑动窗口进行重叠采样,从每种工况中提取出140个维度为10、长度为1 024的一维序列作为各卷积神经网络的输入样本,共获得了17×140=2 380个样本。按8∶1∶1的比例将这些样本划分为训练集、验证集和测试集,以便对模型进行评估和验证。

选择Matlab R2021b作为开发环境,NVIDIA RTX 4060 Ti作为GPU。基于多次经验试验和贝叶斯优化算法自动搜索最佳超参数组合,设置迭代次数为10epoch、学习率为1×10-3、L2正则化为1×10-4以提高模型的性能。为加速收敛,用Adam优化算法,卷积层激活函数用LeakyReLU。为防止过拟合,Mini-batch大小设为64。

2.3 损伤位置结果及分析

为对各模型在数值模拟中桁架刚度损伤识别方面的训练效果进行评估,图5、图6展示了各模型在验证集上的准确率和损失函数随迭代次数的变化趋势。随着迭代次数的增加,各模型的准确率逐步提升,同时损失函数值逐步下降。这表明各模型逐渐学习到了更有效的特征表示和分类能力。然而,1DCNN和M1DCNN模型的准确率和损失函数值尚未收敛,在识别准确率方面还需要进一步提升。与之相比,M1DCNN-BiLSTM模型在准确率和损失函数方面表现出色,展现了出色的收敛速度和稳定性。

图5 各模型准确率随迭代次数变化曲线

图6 各模型损失函数值随迭代次数变化曲线

由表4可知,除了1DCNN,其余3个经加速度差值处理的多尺度卷积模型都能够实现90%以上的准确率,在损伤识别任务中表现出色。与这些模型相比,1DCNN的识别性能相对较低。值得注意的是,M1DCNN-BiLSTM在数值模拟的桁架结构损伤位置识别方面表现最为出色,在训练集、验证集和测试集上都实现了100%的准确率。表明M1DCNN-BiLSTM具有卓越性能,能够高度准确地确定数值模拟桁架结构中各杆件刚度损伤的位置。此外,相较于未差值预处理的结果,经过试验验证,这种加速度差值预处理方法在损伤识别性能上实现7%～15%的显著提升。

表4 桁架数值模拟刚度损伤时各网络识别准确率及预处理方法差异性 %

2.4 损伤程度结果及分析

为详细说明所提模型在数值模拟桁架结构刚度损伤情况下对损伤程度的预测能力,进行了不同模型在单损、双损和三损情况下的预测结果对比,结果如图7所示。

图7中展示了不同模型在不同杆件损伤程度为50%时的预测结果。在单损、双损和三损情况下,发现M1DCNN-BiLSTM的预测结果在各个杆件上的损伤程度都保持在50%的微小浮动范围内。与之相比,其他模型的预测结果在50%上下浮动较大。特别的是M1DCNN-BiLSTM,表现出高精度的损伤程度预测,与实际损伤程度高度吻合。相反地,1DCNN的损伤程度预测结果与实际损伤程度相差较大,未能准确预测各个杆件的损伤程度。表明1DCNN在损伤程度预测方面存在一定的局限性。

图7 不同模型在单损、双损和三损情况下的预测结果

3 桁架结构刚度损伤实验结果与分析

3.1 铝合金桁架结构刚度损伤位置和损伤程度振动测试实验

为进一步验证所提模型在实际铝合金桁架结构重度损伤识别任务上的泛化能力的适用性,进行了100%刚度损伤振动实验(见图8、图9)。首先,通过移除铝合金桁架中部不同位置斜腹杆,引入100%刚度损伤,以模拟杆件不同位置和程度的刚度损伤。其次,采用锤击法对桁架结构上弦杆进行不同节点的激励,并使用加速度传感器采集结构有损伤和无损伤状态下的时域响应数据。然后,将采集的数据输入到各损伤判断模型中,以判定是否存在损伤并准确地定位移除斜腹杆的位置和预测斜腹杆的损伤程度。最后,将模型判断结果与实际的损伤情况进行对比,评估各模型的判别性能。

图8 铝合金桁架结构立面图

图9 铝合金桁架结构及传感器布置图

采用上面数值模拟刚度损伤时的实验参数设置,共得到5 600个样本,覆盖了8(1无损+7有损)种不同损伤工况。具体损伤工况可参见表5。

表5 桁架刚度损伤位置和程度振动试验的损伤工况

3.2 损伤程度评价指标

常用回归模型评价指标包括均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)。这些指标值越小,表示模型预测结果与真实值偏差越小,模型的预测性能越好。

(2)

(3)

(4)

3.3 桁架振动实验损伤位置和损伤程度分析结果

由表6可知,M1DCNN-BiLSTM模型在损伤位置诊断方面表现优异。在所有的数据集中,该模型均实现了100%的准确率。与其他3种模型相比,M1DCNN-BiLSTM在测试集上的准确率分别提升了22.68%、15.89%和0.54%。表明该模型具有出色的识别准确度,可被视作一种可信赖的损伤诊断方法,能精确定位斜腹杆损伤位置。

表6 各网络桁架损伤位置识别准确率 %

为评估这4种模型在桁架斜腹杆刚度损伤程度预测方面的训练效果,图10、图11展示了各模型在验证集上的RMSE和损失函数随迭代次数的变化情况。1DCNN和M1DCNN模型的RMSE均超过0.2,表明它们的预测结果与实际损伤程度相差较大,未能很好地预测铝合金桁架斜腹杆刚度损伤的严重程度。相比之下,M1DCNN-BiLSTM在RMSE和损失函数值方面均表现出色,其RMSE仅为0.028,损失函数值为4×10-4,从而验证了其在鲁棒性和预测精度方面的优越性。

图10 各模型RMSE随迭代次数的变化曲线

图11 各模型损失函数值随迭代次数的变化曲线

3.4 桁架损伤位置结果可视化分析

由图12可知,M1DCNN-BiLSTM模型在所有工况下都能够得到精确的识别。相比之下,1DCNN模型仅在工况0、2、5中的所有样本被正确识别,而其他工况的识别效果相对较差,特别是在工况1和4,仅有40%的识别准确率。M1DCNN-BiLSTM相对于其他3类模型在铝合金桁架结构健康监测中展现出最佳的分类效果和最高的识别精度,其优势在于M1DCNN的多尺度结构,以及BiLSTM对序列数据的建模能力。两者结合使M1DCNN-BiLSTM能够更好地捕捉时空特征,从而在损伤分类任务中获得更高的准确性。

t分布随机邻域嵌入(t-SNE)将数据点的高维特征映射到二维特征空间中,并用不同颜色表示不同的损伤工况,可直观地观察到不同工况下数据的特征具有明显的分离和聚类倾向。分类层输出的特征被视为模型提取的最终特征,因此对其分类层进行t-SNE可视化。

图12 测试混淆矩阵

由图13可知,1DCNN通过2个卷积层的特征提取可有效地分离和聚合大部分输入数据的特征。然而,单一尺度的卷积仍无法完全有效地分离和聚合所有工况的特征,有些工况还存在相互混叠。M1DCNN-BiLSTM能更好地分离和聚合所有工况的特征,展现出最佳的分类效果。相比之下,1DCNN的分类效果较差,一些工况被混淆在一起,无法有效地分离。

3.5 各评价指标损伤程度预测结果

从表7可知,多尺度卷积在各项评价误差指标上都优于1DCNN,且M1DCNN-BiLSTM在所有评价误差指标中均为最低,其预测结果与实际损伤程度极为接近。与1DCNN相比,M1DCNN-BiLSTM 预测效果在整体上得到显著的改善,其精度和准确性均有明显提升,在预测误差方面呈现出显著的优势,RMSE、MSE和MAE评价指标分别比1DCNN降低了84.5%、97%和84.3%,预测结果与实际损伤程度高度吻合。

图13 测试分类层可视化

表7 各网络损伤程度预测误差指标

4 结论

1) 将M1DCNN和BiLSTM有效地融合,可弥补1DCNN在学习时空特征方面的不足,能更充分地提取结构损伤信号的时空多尺度特征,在铝合金桁架结构刚度损伤识别中表现出卓越的识别性能、鲁棒性和泛化能力。

2) M1DCNN-BiLSTM在损伤位置和程度预测方面表现出色,接近100%准确率。与传统1DCNN方法相比,该模型能有效识别铝合金桁架结构不同位置的损伤,并对损伤严重程度进行定量评估。在桁架数值模拟与实际振动实验中得到了验证,证明其在损伤位置和程度预测方面的显著效果。

3) M1DCNN-BiLSTM模型在损伤程度预测方面具有更优的性能,尤其是相比于1DCNN,在振动测试实验中,RMSE、MSE、MAE分别降低了84.5%、97%、84.3%,与实际损伤程度极为接近,表明该模型具有较好的预测精度,在铝合金桁架损伤程度预测方面具有很强的泛化能力和鲁棒性,为结构健康监测和安全评估提供了有效手段,使检测结果更具参考价值。