基于EMI技术与PSO-BP神经网络铝梁损伤定位研究

2023-12-19陈纯洁

安徽理工大学学报（自然科学版） 2023年5期

张军,陈纯洁

(安徽理工大学人工智能学院,安徽淮南 232001)

近年来,基于振动和波动的无损检测技术在结构健康监测领域得到了广泛应用,例如,应力波因子技术、空心光纤维传感技术和压电阻抗技术等[1]。其中,压电阻抗技术是将智能材料(压电陶瓷)的特性与波动理论相结合,通过阻抗信息对结构进行健康监测。压电阻抗技术不仅对结构微小缺陷极为敏感还容易实现实时、在线健康监测,因此在工程应用方面具有强大的潜力[2]。

20世纪90年代初,文献[3]将压电陶瓷材料与结构相结合,并推导出结构机械阻抗与(piezoceramic transducer,PZT)电阻抗的关系,自此以后,压电阻抗技术在理论和实际工程应用上取得了较大进展。文献[4]在一维阻抗模型的基础上提出了压电-结构的二维阻抗模型,并在薄板上验证了理论预测的结果。文献[5]提出了PZT-结构耦合三维模型,该模型同时考虑PZT在长度、宽度和厚度方向的振动,较为接近PZT真实的振动状态。由于二维和三维模型导纳表达式复杂,仅用平衡方程无法求得模型中的未知数,因此在实际应用中多用一维模型。一维阻抗模型即PZT与结构组成的单自由度弹簧-质量-阻尼系统模型。当结构发生损伤,结构刚度随之改变。通过监测PZT信号的变化即可识别结构健康状况,并根据损伤指标判断结构损伤程度和损伤位置。文献[6]将多个PZT粘贴在木梁不同位置上,用均方根偏差(Root-Mean Square Deviation,RMSD)及马氏距离指标来识别损伤位置,证实了压电阻抗技术用于结构损伤定位的可行性。文献[7]将(Electro-Mechanical impedance,EMI)技术引入碳纤维复合材料的健康检测,并利用损伤距离与RMSD值之间的关系建立拟合曲线,对损伤进行初步定位。文献[8]基于压电阻抗技术,结合损伤概率成像算法对碳纤维复合材料的脱粘损伤进行定位研究。文献[9]选取螺栓球形接头作为实验对象,将BP神经网络和压电阻抗技术相结合并对BP网络进行优化,试验证明人工神经网络能够对螺栓松动位置进行检测。文献[10]将压电阻抗技术和极限学习(Extreme Learning Machine,ELM)相结合,对铝梁损伤进行监测和定位,实验结果表明,ELM能够较好地实现损伤位置的定量识别。

以上研究表明,EMI技术用于结构损伤定位是可行的。目前,对梁、柱等一维结构的损伤定位,通常基于其RMSD值来判断损伤的位置,然而根据该值判断损伤的确切位置较为困难。本文针对铝梁损伤定位问题,采用Pearson相关系数对试验结果进行分析,并构建PSO-BP神经网络,进行对铝梁损伤位置的精准识别。

1 铝梁损伤定位的方法

1.1 EMI技术

EMI技术是一种主动式监测技术[11],利用压电陶瓷传感器的正、逆压电效应对结构中的细微损伤进行监测。首先,利用压电陶瓷传感器的逆压电效应,将扫频信号波作为激励力施加在结构上;然后,利用压电陶瓷传感器的正压电效应,将包含结构健康状态信息的振动波转换为电信号,并传输到阻抗分析仪进行分析。针对本文的铝梁损伤监测,其具体原理图如图1所示,m、k、c分别代表铝梁的质量、刚度和阻尼;V表示PZT的瞬时电压;w为电压的角频率;t表示时间。

图1 压电阻抗技术原理图

一维阻抗模型的机电耦合效应表达形式如下

(1)

当铝梁受损时,结构机械阻抗将发生变化,但机械阻抗难以直接测量。因此,利用PZT的机电耦合效应即式(1),通过粘贴在铝梁上的PZT的电导纳变化来反映结构机械阻抗的变化。

1.2 Pearson相关系数

由于采集到的压电导纳数据量较大,且无法直接表征结构状态的变化,因此,在EMI技术的数据处理和分析中,采用统计学指标来表征结构状态的微弱变化。本文选用Pearson相关系数作为统计学指标,以评价损伤对铝梁导纳信号的影响程度。Pearson相关系数是用于衡量两组数据之间线性相关程度的统计指标[12],具体公式如下

(2)

1.3 PSO-BP神经网络

传统的BP神经网络在运行过程中初始的权值和阈值是随机选择的,其稳定性差、预测精度低、学习速度慢且容易受到异常值的影响。为了解决这一问题,通常会使用不同的算法对其进行优化。本文采用粒子群优化算法(Particle Swarm Optimization,PSO)对BP神经网络的初始权值和阈值进行处理,从而提高网络的预测精度[13-14]。

在PSO算法中,首先在D维空间中随机初始化N个粒子群Z={Z1,Z2……ZN},每个粒子所对应的位置向量Zi={Zi1,Zi2……ZiD}和速度向量Vi={Vi1,Vi2……ViD},然后根据目标函数计算粒子的适应度值F(i)并在空间内进行迭代搜索。

(3)

式中,n为神经网络的输出节点数;yi为第i个节点的期望输出;oi为第i个节点的预测输出;k为系数。

每个粒子通过跟踪个体最优值Pbest和群体最优值Gbest更新自己的位置,详见公式(4)。

(4)

PSO优化终止后,得到BP神经网络的最优权值和阈值后进行网络训练,其算法流程如图2所示。

图2 PSO-BP算法流程图

2 试验装置及过程

2.1 试验装置

本试验采用长590mm、宽24mm、厚2mm的两端简支铝梁作为模型。通过切割方式模拟铝梁的损伤情况,并采用导电银胶将5个压电片粘贴在铝梁的不同位置。压电片选用24mm×4mm×1mm的PZT4传感器,其密度和弹性模量分别是7 600kg/m3、66.7GPa,传感器布置如图3所示。利用WK6500B精密阻抗分析仪对该铝梁进行导纳信号测量,选用扫频范围为10～20kHz,激励电压为1V,采样频率点数为800,图4为试验的装置和试件示意图。