卷積神經(jīng)網(wǎng)絡(luò)在在線結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用

吳 磊，紀(jì)國(guó)宜

（南京航空航天大學(xué) 機(jī)械結(jié)構(gòu)力學(xué)及控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，南京 210016）

結(jié)構(gòu)健康監(jiān)測(cè)（SHM）這一觀念是1960年提出來(lái)的，用于評(píng)估結(jié)構(gòu)目前的健康程度[1]。不論什么設(shè)備，由于腐蝕、疲勞、磨損和過(guò)載等可能的過(guò)程，都會(huì)導(dǎo)致性能開(kāi)始下降，所以能夠盡快可靠獲得結(jié)構(gòu)目前的健康情況是非常關(guān)鍵的，這不僅可以防止大的工作事故的發(fā)生，也可以減少維修費(fèi)用。比如1973年美國(guó)三里島核電站堆芯損壞事故、1985年美國(guó)航天飛機(jī)“挑戰(zhàn)者號(hào)”墜毀、1986年前蘇聯(lián)切爾諾貝利核電站泄漏事故等等，都是由設(shè)備故障造成的嚴(yán)重的世界性的事故。這表明結(jié)構(gòu)健康監(jiān)測(cè)對(duì)于保證設(shè)備可靠有效運(yùn)行是非常重要的。其次有效的結(jié)構(gòu)健康監(jiān)測(cè)可以減少維修費(fèi)用，因?yàn)閷?duì)結(jié)構(gòu)尤其是大型結(jié)構(gòu)定期檢查耗時(shí)耗費(fèi)，目前國(guó)內(nèi)外對(duì)設(shè)備主要進(jìn)行計(jì)劃維修，但是這明顯是非常不合理的，如果大型工廠里在機(jī)器停止運(yùn)行后進(jìn)行檢查，可能會(huì)造成大的經(jīng)濟(jì)損失，而結(jié)構(gòu)在線健康監(jiān)測(cè)可以讓結(jié)構(gòu)在需要檢查的時(shí)候?qū)ζ溥M(jìn)行檢查，不浪費(fèi)時(shí)間，增加了工作效率。英國(guó)曾對(duì)2000家工廠展開(kāi)調(diào)查，發(fā)現(xiàn)使用結(jié)構(gòu)在線健康監(jiān)測(cè)技術(shù)后，每年可節(jié)約3億英鎊的維修費(fèi)用。日本航空公司長(zhǎng)期以來(lái)一直對(duì)JT3D噴氣式發(fā)動(dòng)機(jī)使用在線監(jiān)測(cè)技術(shù)，將大修壽命從1200小時(shí)增加到超過(guò)12000小時(shí)，直至大修取消。因此，實(shí)施結(jié)構(gòu)在線健康監(jiān)測(cè)極其重要。

多數(shù)經(jīng)典的結(jié)構(gòu)損傷檢測(cè)系統(tǒng)主要包含2個(gè)過(guò)程，即特征提取和特征分類，特征提取需要大量的計(jì)算處理，從而導(dǎo)致其無(wú)法在結(jié)構(gòu)的在線監(jiān)測(cè)中得到應(yīng)用，并且傳統(tǒng)的特征提取方法是人為依靠經(jīng)驗(yàn)提取特征，提取的特征可能并不是對(duì)所監(jiān)測(cè)的損傷敏感的特征，從而會(huì)影響分類的結(jié)果[2]。卷積神經(jīng)網(wǎng)絡(luò)將特征提取與特征分類融合到一個(gè)學(xué)習(xí)體中，所以它可以從原始數(shù)據(jù)的處理開(kāi)始，通過(guò)反向傳播同時(shí)進(jìn)行優(yōu)化，對(duì)特征進(jìn)行提取和分類，以獲得更準(zhǔn)確的結(jié)果。最近的研究表明，卷積神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域比傳統(tǒng)機(jī)器學(xué)習(xí)方法的效果更好，如圖像、語(yǔ)音識(shí)別、心電圖信號(hào)分類、電力電子技術(shù)應(yīng)用中的故障檢測(cè)等[3]。

本文采集了磨機(jī)中的主減速器在實(shí)際生產(chǎn)工作中的振動(dòng)信號(hào)，以此檢驗(yàn)引入一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)健康監(jiān)測(cè)模型的有效性。

本文內(nèi)容如下：第1小節(jié)簡(jiǎn)單介紹卷積神經(jīng)網(wǎng)絡(luò)以及一維卷積神經(jīng)網(wǎng)絡(luò)；第2小二節(jié)介紹引入一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)健康監(jiān)測(cè)的模型的建立；第3小節(jié)對(duì)試驗(yàn)的結(jié)果進(jìn)行分析。第4小節(jié)對(duì)卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用做一些小結(jié)。

1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)是研究人員通過(guò)對(duì)大腦視覺(jué)皮層系統(tǒng)進(jìn)行研究，分析大腦中信息的傳遞方式提出的，卷積神經(jīng)網(wǎng)絡(luò)模型是模擬大腦中神經(jīng)元建立的。最初卷積神經(jīng)網(wǎng)絡(luò)是作為分類器使用，主要用于圖像識(shí)別[4]。自2012年Krizhevsky等使用擴(kuò)展了深度的卷積神經(jīng)網(wǎng)絡(luò)在LSVRC競(jìng)賽中取得了當(dāng)時(shí)最佳的分類效果以后，卷積神經(jīng)網(wǎng)絡(luò)越來(lái)越受人們的重視[5]。卷積神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一個(gè)重要分支，其特點(diǎn)在于其每一層的特征都是由上一層的輸入通過(guò)卷積核才得到的。這一特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)在眾多神經(jīng)網(wǎng)絡(luò)方法中脫穎而出，更適合應(yīng)用于圖像和音頻特征的學(xué)習(xí)與表達(dá)[6]。圖1表示的是卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)早期經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)，是一個(gè)非常高效的識(shí)別手寫體數(shù)字的神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層以及輸出層組成。其中卷積層與池化層通常交替分布，通過(guò)反復(fù)疊加的卷積池化層，可以將低層特征逐步變?yōu)楦邔犹卣?。圖1由1個(gè)輸入層、2個(gè)卷積層、2個(gè)池化層、2個(gè)全連接層和1個(gè)輸出層組成。而且從圖中可以發(fā)現(xiàn)，卷積層和池化層中的卷積核和池化采樣矩陣的數(shù)量并不是只有一個(gè)，該數(shù)量稱為通道（channel）數(shù)，多通道卷積核與池化層中的采樣矩陣可以同時(shí)提取多種特征。所以卷積神經(jīng)網(wǎng)絡(luò)中，卷積核的數(shù)量與池化參數(shù)大小是非常關(guān)鍵的，圖1表示通道數(shù)不同的5×5和2×2的矩陣，其中參數(shù)的數(shù)值大小通過(guò)反向傳播的訓(xùn)練過(guò)程不斷優(yōu)化。

圖1 LeNet-5結(jié)構(gòu)圖

由于二維卷積神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練數(shù)據(jù)，所以二維卷積神經(jīng)網(wǎng)絡(luò)很難有效應(yīng)用在有限的數(shù)據(jù)實(shí)驗(yàn)中[7]。又因?yàn)橐痪S卷積神經(jīng)網(wǎng)絡(luò)參數(shù)少了很多，不需要特別多的訓(xùn)練數(shù)據(jù)，所以可以彌補(bǔ)上述缺點(diǎn)，且因?yàn)槎际且痪S計(jì)算，計(jì)算時(shí)間短且計(jì)算簡(jiǎn)單，所以適用于在線監(jiān)測(cè)[8-9]。

1D卷積神經(jīng)網(wǎng)絡(luò)和上述2D神經(jīng)網(wǎng)絡(luò)類似，但有些不一樣。顧名思義，上述的卷積神經(jīng)網(wǎng)絡(luò)無(wú)論是輸入還是卷積層和池化層的大小都是二維矩陣，然而一維卷積神經(jīng)網(wǎng)絡(luò)輸入和卷積層與池化層都是一維向量[10]。其他都和二維卷積神經(jīng)網(wǎng)絡(luò)一樣，都由輸入層、卷積層、池化層、全連接層和輸出層組成，都是通過(guò)反向傳播或梯度下降的方法不斷優(yōu)化參數(shù)。圖2為一維卷積神經(jīng)網(wǎng)絡(luò)某一層卷積層和池化層示意圖，一共3層，其中卷積核大小為3，池化層大小為2，都為一維向量。

圖2 一維CNN卷積層與池化層的結(jié)構(gòu)圖

圖3為二維的卷積神經(jīng)網(wǎng)絡(luò)中某一層卷積層與池化層示意圖。其結(jié)構(gòu)與1D一樣，只是卷積核與池化大小分別為3×3與2×2，都為二維矩陣。

以上為1D與2D卷積神經(jīng)網(wǎng)絡(luò)的主要區(qū)別。

圖3 二維CNN卷積與池化層的結(jié)構(gòu)圖

2 1D卷積神經(jīng)網(wǎng)絡(luò)診斷模型的建立

通過(guò)上1小節(jié)所述的一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)初步建立1個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)模型。模型的參數(shù)具體如下所述：一維卷積神經(jīng)網(wǎng)絡(luò)由1層輸入層、2層交替分布的卷積層和池化層、1層全連接層和輸出層構(gòu)成。其中輸入層為800×1的向量，第一層卷積層的卷積核是有20個(gè)通道的49×1的向量，第二層卷積層的卷積核是有20個(gè)通道的188×1的向量，所有池化層都是有20個(gè)通道的4×1的向量，全連接層是20×10的向量，輸出層是10×2向量。卷積和池化層激活函數(shù)為tanh函數(shù)，輸出層的激活函數(shù)為softmax函數(shù)。

為驗(yàn)證模型的有效性所采用的試驗(yàn)信號(hào)為實(shí)際工作中從磨機(jī)的主減速機(jī)上采集到的振動(dòng)信號(hào)。試驗(yàn)中一共分析8組數(shù)據(jù)，它們是在隨機(jī)抽取的8天的某一時(shí)間段內(nèi)在主減速機(jī)運(yùn)轉(zhuǎn)過(guò)程中采集的振動(dòng)信號(hào)。其中前3組是正常運(yùn)行狀態(tài)下的數(shù)據(jù)，后5組是出現(xiàn)故障以后的數(shù)據(jù)。采樣頻率為2048 Hz，采樣時(shí)間為30分鐘，故每組一共采集了3686400個(gè)數(shù)據(jù)，由于采集到的信號(hào)噪聲很大，故需對(duì)其做一些簡(jiǎn)單的預(yù)處理，將其轉(zhuǎn)換到頻域中[11]。首先將采集到的8組數(shù)據(jù)中每組隨機(jī)抽取連續(xù)的204800個(gè)數(shù)據(jù)，每組各分成10份，一共80份，每份20480個(gè)數(shù)據(jù)。然后對(duì)每份數(shù)據(jù)進(jìn)行快速傅里葉變換轉(zhuǎn)換成頻域信號(hào)，由于數(shù)據(jù)中噪聲成分比較大，所以進(jìn)行10次平均，提高信噪比，降低噪聲對(duì)識(shí)別的影響。由于采樣頻率為2048 Hz，取預(yù)處理之后前800個(gè)數(shù)據(jù)，得到80份800×1的向量。以此作為輸入數(shù)據(jù)代入卷積神經(jīng)網(wǎng)絡(luò)中，最后輸出0或1這兩個(gè)結(jié)果。其中0表示運(yùn)行正常，1表示出現(xiàn)故障。為了使模型泛化，要求訓(xùn)練數(shù)據(jù)不能與測(cè)試數(shù)據(jù)來(lái)自同一時(shí)間段采集的信號(hào)。所以從前3組中抽取2組數(shù)據(jù)，從后5組數(shù)據(jù)中隨機(jī)抽3組數(shù)據(jù)，作為訓(xùn)練數(shù)據(jù)集即50份800×1的向量。剩下的作為測(cè)試數(shù)據(jù)即30份800×1的向量。并在試驗(yàn)完成后，再次選擇不同的組別作為訓(xùn)練組重新驗(yàn)證，以便更加有說(shuō)服力。所用的代碼用MATLAB編寫。

下面展示了部分?jǐn)?shù)據(jù)的時(shí)域圖和頻譜圖。圖4是第1組和第2組數(shù)據(jù)在正常狀態(tài)下的0.1 s的時(shí)域波形圖與第7組和第8組數(shù)據(jù)在故障狀態(tài)下的0.1 s的時(shí)域波形圖。

圖5是第1組和第2組數(shù)據(jù)在正常狀態(tài)下的經(jīng)過(guò)10次平均的頻譜圖與第7組和第8組數(shù)據(jù)在故障狀態(tài)的經(jīng)過(guò)10次平均的頻譜圖。

3 實(shí)測(cè)數(shù)據(jù)分析

一共進(jìn)行3次試驗(yàn)，測(cè)試結(jié)果都與實(shí)際一致。下面僅列出一種測(cè)試結(jié)果進(jìn)行分析，由表1所示。

圖40 .1 s時(shí)域波形圖

前10個(gè)為正常數(shù)據(jù)，后20個(gè)為出現(xiàn)故障的數(shù)據(jù)。從表中可以得到，神經(jīng)網(wǎng)絡(luò)模型所判斷的結(jié)果與實(shí)際結(jié)果全部一致且判斷的概率基本都大于99%，可以初步證明本文的方法可以有效判斷結(jié)構(gòu)的狀態(tài)。由于用來(lái)驗(yàn)證的數(shù)據(jù)來(lái)自于實(shí)際工作中采集的數(shù)據(jù)，所以此方法可以適用于同型號(hào)磨機(jī)的在線健康監(jiān)測(cè)。此方法的主要過(guò)程總結(jié)如下：隨機(jī)選取數(shù)組在機(jī)器正常運(yùn)轉(zhuǎn)時(shí)采集的數(shù)據(jù)以及保存的以往出現(xiàn)故障的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，然后將從目前正在使用的結(jié)構(gòu)上采集的數(shù)據(jù)輸入該模型，進(jìn)行結(jié)構(gòu)健康狀態(tài)判斷。綜上所述，測(cè)試結(jié)果可以初步證明此方法可以有效檢測(cè)結(jié)構(gòu)的健康狀態(tài)。

圖5 頻譜圖

表1 卷積神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

4 結(jié)語(yǔ)

本文介紹了在傳統(tǒng)的結(jié)構(gòu)健康監(jiān)測(cè)過(guò)程中引入1D卷積神經(jīng)網(wǎng)絡(luò)的方法，將特征提取和特征分類過(guò)程融合在一起，加快了模型特征提取和分類的時(shí)間，并利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)判斷含有強(qiáng)噪聲的結(jié)構(gòu)的健康狀態(tài)。文中采集的信號(hào)來(lái)自于磨機(jī)，而磨機(jī)在運(yùn)轉(zhuǎn)過(guò)程中振動(dòng)非常大，甚至幾乎每天都會(huì)因過(guò)大的振動(dòng)而跳停，故在磨機(jī)主減速機(jī)運(yùn)行過(guò)程中采集的振動(dòng)信號(hào)含有很強(qiáng)的噪聲，傳統(tǒng)的結(jié)構(gòu)健康監(jiān)測(cè)方法需要對(duì)信號(hào)進(jìn)行復(fù)雜的降噪處理，增加了計(jì)算的時(shí)間，同時(shí)由于結(jié)構(gòu)復(fù)雜，最終可能需要專家或經(jīng)驗(yàn)豐富的操作人員來(lái)判斷結(jié)構(gòu)的健康狀態(tài)，難以實(shí)現(xiàn)故障自動(dòng)判別。而上述試驗(yàn)初步驗(yàn)證了本文提出的方法可以從含有強(qiáng)噪聲的信號(hào)中快速準(zhǔn)確地獲得監(jiān)測(cè)結(jié)果，而不需要過(guò)多采用降噪手段以及依賴于操作人員的經(jīng)驗(yàn)或技術(shù)水平。由于數(shù)據(jù)獲取途徑的限制，文中僅僅用基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)建立模型，而以目前卷積神經(jīng)網(wǎng)絡(luò)在其它領(lǐng)域的快速發(fā)展來(lái)看，卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)健康監(jiān)測(cè)方面還可以得到更多應(yīng)用。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)按其功能可以大致分為3類：分類、回歸、概率估計(jì)。結(jié)構(gòu)健康監(jiān)測(cè)也大致可按4層結(jié)構(gòu)劃分：監(jiān)測(cè)、定位、評(píng)估、預(yù)測(cè)。本文僅僅將卷積神經(jīng)網(wǎng)絡(luò)的分類功能應(yīng)用于結(jié)構(gòu)健康監(jiān)測(cè)的損傷監(jiān)測(cè)過(guò)程，卷積神經(jīng)網(wǎng)絡(luò)的引入大大提高結(jié)構(gòu)損傷監(jiān)測(cè)的效率。為了將卷積神經(jīng)網(wǎng)絡(luò)更好應(yīng)用于結(jié)構(gòu)健康監(jiān)測(cè)，如果將卷積神經(jīng)網(wǎng)絡(luò)的回歸和概率估計(jì)也應(yīng)用到健康監(jiān)測(cè)過(guò)程的結(jié)構(gòu)評(píng)估和預(yù)測(cè)中，也必將會(huì)獲得更大的收益。